Neural network 如何在TensorFlow中构建一个图中有一个循环的简单RNN？

我刚刚开始使用TensorFlow，我正在尝试实现一个非常简单的RNN。RNN将

x

作为输入，将

y

作为输出，并且仅由一个层组成，该层将

x

及其以前的输出作为输入。这是我脑海中的一幅画面：

问题是，我无法通过TensorFlow API构造包含循环的图。每当我定义张量时，我必须指定它的输入是什么，这意味着我必须已经定义了它的输入。所以这里有鸡和蛋的问题

我甚至不知道用一个循环定义一个图是否有意义（首先计算的是什么？我是否必须定义softmax节点的初始值？）。我的想法是使用一个变量来表示以前的输出，然后手动获取

y

的值，并在每次输入训练样本后将其存储在变量中。但这将是非常缓慢的，除非有一种方法在图形本身中表示这个过程（？）

我知道TensorFlow教程展示了RNN的示例实现，但它们欺骗并从已经有循环的库中拉出了一个LSTM模块。总的来说，这些教程有助于引导您了解如何构建某些东西，但它们可以更好地解释这种野兽是如何工作的

---

那么，TensorFlow的专家们，有没有办法建造这个东西？我该怎么做呢？

事实上，所有机器学习框架中的向前和向后传递都假设您的网络没有周期。实现循环网络的一种常见方法是将其及时展开几个步骤（例如50），从而将具有循环的网络转换为没有循环的网络

例如，在您所指的文档中：

他们提到

为了使学习过程易于处理，通常的做法是将反向传播的梯度截断为固定数量（num_步骤）的展开步骤

它的有效含义是，它们将创建

num_steps

LSTM单元格，其中每个单元格都将当前时间步长的值

x

和前一个LSTM模块的输出作为输入

---

他们使用的并且您认为有循环的

BasicLSTMCell

实际上没有循环。LSTM单元只是单个LSTM步骤（一个有两个输入[输入和内存]和两个输出[输出和内存]的块，并使用门计算输入输出）的实现，而不是整个LSTM网络。

您的可变想法似乎是一条路要走，如果您使用TensorFlow变量/assign Ops，速度应该不会太慢，但我是否需要调用

sess.run（y\u prev.assign（y））

并一次运行一个样本？或者你的意思是我应该结合@Ishamael描述的展开策略？