Python 如何在TF1.15中创建有状态的TensorFlowLite RNN模型

我已经能够使用下面的代码实现一个无状态模型

导入操作系统
os.environ['TF\u ENABLE\u CONTROL\u FLOW\u V2']=“1”
导入tensorflow作为tf
从tensorflow_core.python.keras.models导入模型，顺序
从tensorflow_core.python.keras.layers.core导入稠密、激活、Lambda、重塑
从tensorflow_core.python.keras.engine.input_层导入输入
从tensorflow_core.python.keras.layers.RNN，StackedRNNCells
从tensorflow_core.lite.experimental.examples.lstm.rnn_单元导入TFLiteLSTMCell、TfLiteRNNCell
从tensorflow_core.lite.experimental.examples.lstm.rnn导入动态
从tensorflow_core.python.ops.rnn_cell_impl导入LSTMStateTuple
def buildRNNLayer（输入、rnn_单元）：
“”“构建lstm层。
Args：
输入：输入数据。
num_layers：我们需要多少个LSTM层。
num_units：LSTM单元中隐藏单元的数量。
"""
rnn\u层=堆叠的rnn单元（rnn\u单元）
#假设输入的大小为[批次、时间、输入大小]，那么我们将
#转换成时间专业。
转置输入=tf.transpose（输入，perm=[1,0,2]）
输出，=动态(
rnn_层，
转置的_输入，
dtype='float32'，
时间（主=真）
未堆叠的_输出=tf。未堆叠（输出，轴=0）
返回未堆叠的_输出[-1]
def build_rnn_lite（型号）：
tf.reset_default_graph（）
#构造RNN
单元格=[]
对于范围（3）中的图层：
如果模型='LSTMLite'：
append（TFLiteLSTMCell（192，name='lstm{}'。格式（层）））
其他：
append（tfliternCell（192，name='rnn{}'。格式（层）））
规格输入=输入（形状=（5,64，），名称='rnn\U in'，批次大小=8192）
x=Lambda（buildRNNLayer，参数={'rnn_cells'：cells}，name=model.lower（））（spec_输入）
out=密集型（64，激活='sigmoid'，名称='fin_密集型'）（x）
返回模型（输入=规格输入，输出=输出）
模型=构建文件（'LSTMLite'）
######TF-LITE转换
sess=tf.keras.backend.get_session（）
input\u tensor=sess.graph.get\u tensor\u by\u name（'rnn\u in:0'））
output_tensor=sess.graph.get_tensor_by_name（'fin_densite/Sigmoid:0'））
converter=tf.lite.TFLiteConverter.from_session（sess、[input_tensor]、[output_tensor]）
tflite=converter.convert（）
打印（'Model converted successfully！'）

这很好，我正在尝试创建一个有状态模型，也就是说，通过更改下面的代码，将以前的状态与输入一起提供

def buildRNNLayer（输入、rnn单元、初始状态=无）：
“”“构建lstm层。
Args：
输入：输入数据。
num_layers：我们需要多少个LSTM层。
num_units：LSTM单元中隐藏单元的数量。
"""
#假设输入的大小为[批次、时间、输入大小]，那么我们将
#转换成时间专业。
转置输入=tf.transpose（输入，perm=[1,0,2]）
输出，新状态=动态(
rnn_细胞，
转置的_输入，
初始状态=初始状态，
dtype='float32'，
时间（主=真）
未堆叠的_输出=tf。未堆叠（输出，轴=0）
返回未堆叠的_输出[-1]，新_状态
def build_rnn_lite（模型，状态=False）：
tf.reset_default_graph（）
#构造RNN
单元格=[]
对于范围（3）中的图层：
如果模型='LSTMLite'：
append（TFLiteLSTMCell（192，name='lstm{}'。格式（层）））
其他：
append（tfliternCell（192，name='rnn{}'。格式（层）））
单元格=堆叠的单元格（单元格）
状态=单元格。获取初始状态（批处理大小=1，数据类型=tf.float32）
如果说明：
规格输入=输入（形状=（5,64，），名称='rnn\U in'，批次大小=1）
x、 state=Lambda（buildRNNLayer，arguments={'rnn_cells'：cells，'initial_state'：state}，name=model.lower（））（spec_输入）
其他：
规格输入=输入（形状=（5,64），名称='rnn\u in'）
x、 state=Lambda（buildRNNLayer，参数={'rnn_cells'：cells}，name=model.lower（））（spec_输入）
out=密集型（64，激活='sigmoid'，名称='fin_密集型'）（x）
返回模型（输入=规格输入，输出=[输出，状态]）
model=build_rnn_lite（'LSTMLite'，True）
in_rnn=np.random.randn（1,5,64）
out1=模型预测（单位：N）
out2=模型预测（单位：N）
######TF-LITE转换
sess=tf.keras.backend.get_session（）
input\u tensor=sess.graph.get\u tensor\u by\u name（'rnn\u in:0'））
output_tensor=sess.graph.get_tensor_by_name（'fin_densite/Sigmoid:0'））
converter=tf.lite.TFLiteConverter.from_session（sess、[input_tensor]、[output_tensor]）
tflite=converter.convert（）
打印（'Model converted successfully！'）

在上述更改的代码中，

out1

和

out2

都是相同的。如果重新使用状态而不是重置状态，则不应出现这种情况。需要进行哪些其他更改以确保输出的新_状态用于下一批而不是重置状态

def get_state_变量（批次大小、单元格）：
#对于每个层，获取初始状态并从中生成变量
#以启用更新其值。
状态变量=[]
对于状态_c，单元格中的状态_h.zero_状态（批处理大小，tf.float32）：
state_variables.append（tf.contrib.rnn.LSTMStateTuple(
tf.变量（状态c，可训练=假），
tf.变量（状态h，可训练=假）
#以元组的形式返回，这样就可以将其作为初始状态馈送给动态rnn
返回元组（状态变量）
def get_state_update_op（状态变量、新状态）：
#添加一个操作，用最后一个状态张量更新列车状态
更新_ops=[]
对于状态变量，zip中的新状态（状态变量，新状态）：
#将新状态分配给该层上的状态变量
update_ops.extend（[state_variable[0]。assign（new_state[0]），
状态变量[1]。赋值（新状态[1]））
#返回一个元组，以便将所有更新操作合并到一个操作中。
#不应使用元组的实际值。