Tensorflow：低级 LSTM 实现

Question

我正在寻找在 Tensorflow 中使用 LSTM 单元的 RNN 的低级实现。我已经实现了几个使用低级 API 的前馈网络。这对我理解人工神经网络的内部运作有很大帮助。我可以对 RNN 做同样的事情，还是建议使用 LSTM 单元的 Tensorflow 实现（tf.nn.rnn_cell.BasicLSTMCell）？我没有在 Tensorflow 中找到任何 RNN 的低级实现。我在哪里可以找到这么低级的实现？Tensorflow 是为此而设计的吗？我可以从哪里开始？我希望我的一些问题可以在这里得到解答

Answer 1

1）使用tf.scan

RNN 的低级实现可以通过tf.scan函数来实现。例如，对于 SimpleRNN，其实现将类似于：

# our RNN variables
Wx = tf.get_variable(name='Wx', shape=[embedding_size, rnn_size])
Wh = tf.get_variable(name='Wh', shape=[rnn_size, rnn_size])
bias_rnn = tf.get_variable(name='brnn', initializer=tf.zeros([rnn_size]))


# single step in RNN
# simpleRNN formula is `tanh(WX+WH)`
def rnn_step(prev_hidden_state, x):
    return tf.tanh(tf.matmul(x, Wx) + tf.matmul(prev_hidden_state, Wh) + bias_rnn)

# our unroll function
# notice that our inputs should be transpose
hidden_states = tf.scan(fn=rnn_step,
                        elems=tf.transpose(embed, perm=[1, 0, 2]),
                        initializer=tf.zeros([batch_size, rnn_size]))

# covert to previous shape
outputs = tf.transpose(hidden_states, perm=[1, 0, 2])

# extract last hidden
last_rnn_output = outputs[:, -1, :]

请参阅此处的完整示例。

2）使用AutoGraph

tf.scan是一个 for 循环，您也可以实现它Auto-graph API：

from tensorflow.python import autograph as ag

@ag.convert()
def f(x):
# ...
for ch in chars:
      cell_output, (state, output) = cell.call(ch, (state, output))
      hidden_outputs.append(cell_output)
hidden_outputs = autograph.stack(hidden_outputs)
# ...

请在此处查看带有签名 API 的完整示例。

3）在Numpy中实现

如果您仍然需要更深入地实现 RNN，请参阅本教程，该教程使用 numpy 实现 RNN。

4) Keras 中的自定义 RNN 单元

看这里。