Python 如何使用完整LSTM序列的输出？张量流

我可能错了，但事情是这样的。 我在这里用的是代码

特别是

    outputs, states = rnn.rnn(lstm_cell, _X, initial_state=_istate)

    # Linear activation
    # Get inner loop last output
    return tf.matmul(outputs[-1], _weights['out']) + _biases['out']

上面的代码使用多对一预测方案

我想知道我是否可以使用这个代码的多对多方案。 并使用所有LSTM单元的输出来预测类别。 我已试着用替换最后一行

return tf.matmul(outputs, _weights['out']) + _biases['out']

但是我得到了一个错误

  File "/media/anilil/Data/charm/Cnn/train_lstm_ucf.py", line 165, in <module>
    pred = RNN(x, istate, weights, biases,keep_prob)
  File "/media/anilil/Data/charm/Cnn/train_lstm_ucf.py", line 163, in RNN
    return tf.matmul(outputs, _weights['out']) + _biases['out']
  File "/usr/local/lib/python2.7/dist-packages/tensorflow/python/ops/math_ops.py", line 938, in matmul
    a = ops.convert_to_tensor(a, name="a")
  File "/usr/local/lib/python2.7/dist-packages/tensorflow/python/framework/ops.py", line 529, in convert_to_tensor
    ret = conversion_func(value, dtype=dtype, name=name, as_ref=as_ref)
  File "/usr/local/lib/python2.7/dist-packages/tensorflow/python/ops/constant_op.py", line 178, in _constant_tensor_conversion_function
    return constant(v, dtype=dtype, name=name)
  File "/usr/local/lib/python2.7/dist-packages/tensorflow/python/ops/constant_op.py", line 161, in constant
    tensor_util.make_tensor_proto(value, dtype=dtype, shape=shape))
  File "/usr/local/lib/python2.7/dist-packages/tensorflow/python/framework/tensor_util.py", line 319, in make_tensor_proto
    _AssertCompatible(values, dtype)
  File "/usr/local/lib/python2.7/dist-packages/tensorflow/python/framework/tensor_util.py", line 256, in _AssertCompatible
    raise TypeError("List of Tensors when single Tensor expected")
TypeError: List of Tensors when single Tensor expected

文件“/media/anilil/Data/charm/Cnn/trainlstm_ucf.py”，第165行，在
pred=RNN（x，istate，权重，偏差，keep_prob）
文件“/media/anilil/Data/charm/Cnn/train_lstm_ucf.py”，第163行，RNN
返回tf.matmul（输出，_权重['out']）+_偏差['out']
matmul中的文件“/usr/local/lib/python2.7/dist packages/tensorflow/python/ops/math_ops.py”，第938行
a=运算。将_转换为_张量（a，name=“a”）
文件“/usr/local/lib/python2.7/dist packages/tensorflow/python/framework/ops.py”，第529行，在convert_to_tensor中
ret=conversion\u func（值，dtype=dtype，name=name，as\u ref=as\u ref）
文件“/usr/local/lib/python2.7/dist packages/tensorflow/python/ops/constant_op.py”，第178行，在_constant_tensor_conversion_函数中
返回常量（v，dtype=dtype，name=name）
文件“/usr/local/lib/python2.7/dist packages/tensorflow/python/ops/constant_op.py”，第161行，常量
tensor_util.make_tensor_proto（值，dtype=dtype，shape=shape））
文件“/usr/local/lib/python2.7/dist packages/tensorflow/python/framework/tensor_util.py”，第319行，在make_tensor_proto中
_资产可兼容（值、数据类型）
文件“/usr/local/lib/python2.7/dist packages/tensorflow/python/framework/tensor_util.py”，第256行，在_AssertCompatible中
raise TypeError（“需要单个张量时的张量列表”）
TypeError：需要单个张量时的张量列表

背景信息（非重要） 谢谢你的意见。我自己也不确定这种方法是否会产生更好的结果

我正在尝试复制 具体来说，本文的研究成果是

他们所做的是用单个帧训练CNN，以预测该帧属于哪一类，然后使用该帧的密集层特征训练LSTM，从而了解单个帧之间的时间关系并提高识别精度

我用CNN复制了结果，获得了61%的单帧精度（表1:-RGB单帧）

我已从该网络中提取（fc-6）特征，并将其作为LSTM的输入，但不是将精度提高到~71.2%，而是将LSTM精度降低到51%。不知道为什么会这样。（我猜他们使用的LSTM模型可能不同）

---

请注意，

输出是一个列表，而不是一个张量

这是一个有趣的想法，如何组合输出取决于您。一个简单的方法可能是：

return tf.matmul(outputs[1], W[1]) + tf.matmul(outputs[2], W[2]) ...

（使用列表或其他方式。）

我不确定这是否可以改善预测结果，但值得一看。
要获得所有输出的列表，可以执行以下操作：

return [tf.matmul(output, _weights['out']) + _biases['out'] for output in outputs]

这将返回TensorFlow张量的python数组，每个输出一个

如果您想要一个串联所有输出的张量，请将此数组传递给
tf.concat
：

transformed_outputs = [tf.matmul(output, _weights['out']) + _biases['out'] for output in outputs]
return tf.concat(concat_dim=0, values=transformed_outputs)

注意，这里我使用的是
concat\u dim=0
。如果您每批处理多个输入（我想这对RNN不太常见？），那么您的第0个维度是样本ID，您需要使用
concat\u dim=1
非常优雅的答案！你有没有尝试过这样的方法：合并所有的输出以进行类预测？我想知道这实际上可以提高总体预测性能。我自己没有，但我知道有人将不同时间段的结果汇总在一起，而不是仅仅从最后一个步骤获得类，我认为这不会产生任何明显的改进。无论如何，我认为在OP的情况下，他实际上有一个问题，要求每个时间步有一个输出，所以这不仅仅是对他的优化，而是一个要求。