Python 如何在Tensorflow中使用tf.nn.raw\n函数？

我试图实现基于LSTM的网络，在隐状态计算之后，我们还在每个时间步应用线性+S形变换。我发现and DESCRIPE

tf.nn.raw\n

函数适合此任务，但我很难理解为什么它在我的特定情况下不起作用

输入说明 因此，让我们对LSTM的输入是一个小批量的

[num\u steps x batch\u size x size]

，具体地说是

[5,32,100]

。让LSTM有200个隐藏单位。然后，LSTM的输出是

[5,32,200]

张量，我们可以在以后用于损耗计算。我假设输入的

[5,32,100]

张量首先被分解成一个

[32,100]

张量数组，然后如果我们在Tensorflow中使用

tf.nn.dynamic\u rnn

和

time\u major=True

，则被重新堆叠：

                                      tf.nn.dynamic_rnn(LSTM)
                   LSTM t=0    LSTM t=1   LSTM t=2   LSTM t=3   LSTM t=4  
[5, 32, 100] -->   [[32, 100], [32, 100], [32, 100], [32, 100], [32, 100]] --> [5, 32, 200]

隐状态模型 此外，在每个LSTM单元之后，我需要执行线性+S形变换，以将每个

[32200]

张量压缩为

[32,1]

。我们的

tf.nn.dynamic\u rnn

不适用于此，因为它只接受单元格。我们需要使用

tf.nn.raw\n

API。因此，以下是我的尝试：

def _get_raw_rnn_graph(self, inputs):
    time = tf.constant(0, dtype=tf.int32)
    _inputs_ta = tf.TensorArray(dtype=tf.float32, size=5)
    # our [5, 32, 100] tensor becomes [[32, 100], [32, 100], ...]
    _inputs_ta = _inputs_ta.unstack(inputs)  

    # create simple LSTM cell
    cell = tf.contrib.rnn.LSTMCell(config.hidden_size)

    # create loop_fn for raw_rnn
    def loop_fn(time, cell_output, cell_state, loop_state):
        emit_output = cell_output  # == None if time = 0

        if cell_output is None:  # time = 0
            next_cell_state = cell.zero_state(32, tf.float32)
            self._initial_state = next_cell_state
        else:
            next_cell_state = cell_state

        elements_finished = (time >= 32)
        finished = tf.reduce_all(elements_finished)
        next_input = tf.cond(finished,
                             lambda: tf.zeros([32, config.input_size], dtype=tf.float32),                                                   
                             lambda: _inputs_ta.read(time))

        # apply linear + sig transform here
        next_input = self._linear_transform(next_input, activation=tf.sigmoid)

        next_loop_state = None
        return (elements_finished, next_input, next_cell_state, emit_output, next_loop_state)

    outputs_ta, final_state, _ = tf.nn.raw_rnn(cell, loop_fn)
    outputs = outputs_ta.stack()
    return outputs, final_state

不幸的是，这不起作用。

loop\u fn

只迭代两次，而不是我预期的

num\u步数

次，其输出是

Tensor（“Train/Model/TensorArrayStack/TensorArrayGatherV3:0”，shape=（？，32200），dtype=float32）

而不是我们预期的

[5,32,1]

。我错过了什么