Machine learning 在TensorFlow中实现多层RNN最有效的方法是什么？

我试图找出在输入端运行一个RNN，然后在这些输出端重复运行另一个RNN（一次一个水平层）是否更有效。或者对所有层一次运行一个时间步（一次一个垂直层）

我知道tensorflow的MultiCellRNN类实现了后者。为什么选择这种方法而不是前者？前者是否同样有效？是否存在对所有层一次执行一个时间步的情况

---

有关多层RNN的参考，请参阅。

1：如何轻松实现RNN 使用lstm单元，它们通常更好（没有消失的梯度问题），tensorflow通过以下方式使实现它们变得非常容易：

从tensorflow.python.ops.rnn_单元格导入BasicLSTMCell ... 单元=基本单元（状态） 堆叠的\u lstm=tf.nn.rnn\u cell.MultiRNNCell（[cell]*num\u layers，state\u为\u tuple=True）

更多信息，请访问tensorflow网站：

2:水平还是深？ 就像你可以拥有多层神经网络一样，你也可以拥有多层RNN。把RNN细胞想象成神经网络中的一个层，一个允许你记住顺序输入的特殊层。根据我的经验，您的网络中仍然会有线性变换（或深度），但拥有多层lstm单元的问题取决于您的网络拓扑、偏好和计算能力。（越多越好）输入和输出的数量取决于您的问题，据我所知，没有多个水平RNN单元，只有深度。 所有计算均按深度一次输入一个。 您引用的多层函数非常棒，它可以在后台为您处理所有计算，只需告诉它您需要多少个单元格，其余的就可以了

---

祝你好运

1:如何轻松实现RNN 使用lstm单元，它们通常更好（没有消失的梯度问题），tensorflow通过以下方式使实现它们变得非常容易：

从tensorflow.python.ops.rnn_单元格导入BasicLSTMCell ... 单元=基本单元（状态） 堆叠的\u lstm=tf.nn.rnn\u cell.MultiRNNCell（[cell]*num\u layers，state\u为\u tuple=True）

更多信息，请访问tensorflow网站：

2:水平还是深？ 就像你可以拥有多层神经网络一样，你也可以拥有多层RNN。把RNN细胞想象成神经网络中的一个层，一个允许你记住顺序输入的特殊层。根据我的经验，您的网络中仍然会有线性变换（或深度），但拥有多层lstm单元的问题取决于您的网络拓扑、偏好和计算能力。（越多越好）输入和输出的数量取决于您的问题，据我所知，没有多个水平RNN单元，只有深度。 所有计算均按深度一次输入一个。 您引用的多层函数非常棒，它可以在后台为您处理所有计算，只需告诉它您需要多少个单元格，其余的就可以了

---

祝您好运

如果您按顺序运行所有内容，那么这两种方法之间的性能差异应该不会太大（除非我在这里监督缓存位置）。后一种方法的主要优点是，可以对多个层进行并行计算

例如，当当前时间步长的结果通过第二层传播时，您可以在第一层中开始下一个时间步长的计算，而不是等待输入通过两层传播

---

免责声明：我不认为自己是一个性能专家。

如果你按顺序运行所有的东西，两种方法之间的性能差异就不应该太大了（除非我在这里监督一些缓存局部性的东西）。后一种方法的主要优点是，可以对多个层进行并行计算

例如，当当前时间步长的结果通过第二层传播时，您可以在第一层中开始下一个时间步长的计算，而不是等待输入通过两层传播

<免责声明：我不认为自己是一个表演专家。