小编pro*_*_93的帖子

我想更好地理解Tensorflow的BasicLSTMCell Kernel和Bias的形状。

@tf_export("nn.rnn_cell.BasicLSTMCell")
class BasicLSTMCell(LayerRNNCell):

input_depth = inputs_shape[1].value
h_depth = self._num_units
self._kernel = self.add_variable(
    _WEIGHTS_VARIABLE_NAME,
    shape=[input_depth + h_depth, 4 * self._num_units])
self._bias = self.add_variable(
    _BIAS_VARIABLE_NAME,
    shape=[4 * self._num_units],
    initializer=init_ops.zeros_initializer(dtype=self.dtype))

为什么内核的形状为[input_depth + h_depth，4 * self._num_units]），而偏向形状为[4 * self._num_units]？也许因子4来自忘记门，块输入，输入门和输出门？那么，将input_depth和h_depth相加的原因是什么？

有关我的LSTM网络的更多信息：

num_input = 12，时间步长= 820，num_hidden = 64，num_classes = 2。

使用tf.trainables_variables（）我得到以下信息：

• 变量名称：变量：0形状：（64，2）参数：128
• 变量名称：Variable_1：0 Shape：（2，）Parameters：2
• 变量名称：rnn / basic_lstm_cell /内核：0形状：（76，256）参数：19456
• 变量名称：rnn / basic_lstm_cell / bias：0形状：（256，）参数：256

以下代码定义了我的LSTM网络。

def RNN(x, weights, biases):

    x = tf.unstack(x, timesteps, 1)
    lstm_cell = rnn.BasicLSTMCell(num_hidden)
    outputs, states = rnn.static_rnn(lstm_cell, x, dtype=tf.float32)

    return tf.matmul(outputs[-1], weights['out']) …