我想使用this示例并扩展它以实现下图中的体系结构 . 该代码以下列方式使用BasicLSTMCell和tf.contrib.rnn.BasicLSTMCell：
lstm_cell = tf.contrib.rnn.BasicLSTMCell(n_hidden)
outputs, states = tf.contrib.rnn.static_rnn(lstm_cell, x, dtype=tf.float32,sequence_length=seqlen)
我打印"states"（和输出），我希望"states"具有形状[输入序列的数量，x]，其中x是每个输入序列的长度 . 但是，当我打印"states"（或"outputs"）时，它们都具有[输入序列数， n_hidden ]的形状，其中n_hidden是要素的隐藏层数 .
首先，我只打印隐藏状态一段时间（可能是最后一步）而不是 the unrolled RNN ??在RNN处理输入序列的每个时间步之后，如何打印所有隐藏状态（以确保我实现以下架构）？
其次，如何在tensorflow中实现以下架构？假设每个x-i是12位二进制向量，并且每个输入序列包括最多80个向量 . 每个输入序列与输出序列配对，目标是通过查看它们的相关输入序列来预测这些输出序列 .
1 回答
那太可疑了 .
static_rnn的返回应该是所有输出和最终状态（link） .
因此，查看输出应该是len seqlen的列表，每个条目都是批次X n_hidden .
使用tf.nn.static_state_saving_rnn保存所有中间状态，然后像模型中的任何其他张量一样打印它们 .
对于架构问题 .
如果您应该在每次输入后返回输出，则获取输出并应用损失使它们看起来像您拥有的标签 .
如果您应该查看整个序列然后提出输出，那么您需要两个rnn系统 . 你应该有一个编码rnn，就像你已经拥有的那样 . 我们忽略了这部分的输出 . 然后你采取最终状态，并将其提供给解码rnn . 这个没有任何输入 . 我们采用解码rnn的输出并应用损失使它们看起来像标签 .
一如既往，您应该尝试各种设置，不同的图层大小，不同的层数等...并选择最佳设置 .