Python tensorflow中RNN的编解码器模型

我正在为编码器和解码器实现一个使用双向RNN的编码器-解码器模型。由于我在编码器端初始化了双向RNN，并且与双向RNN相关联的权重和向量已经初始化，因此当我尝试在解码器端初始化另一个实例时，我得到以下错误：

ValueError: Variable bidirectional_rnn/fw/gru_cell/w_ru already exists, disallowed. Did you mean to set reuse=True or reuse=tf.AUTO_REUSE in VarScope?

我试着在它自己的

name\u范围内定义每一个，如下所示，但没有用：

def enc（信息、重量、偏差）：
message=tf.unstack（message，timesteps\u enc，1）
fw_cell=rnn.GRUBlockCell（num_hidden_enc）
bw\u cell=rnn.GRUBlockCell（num\u hidden\u enc）
使用tf.name_范围（“编码器”）：
输出，uu，uu=rnn.static_u双向（fw_单元格，bw_单元格，消息，数据类型=tf.float32）
返回tf.matmul（输出[-1]，权重）+偏差
def dec（码字、权重、偏差）：
码字=tf。展开（码字，轴=2）
码字=tf.unstack（码字，时间步长，1）
fw_cell=rnn.GRUBlockCell（num_hidden_dec）
bw\u cell=rnn.GRUBlockCell（num\u hidden\u dec）
使用tf.name_范围（“解码器”）：
输出，uu，uu=rnn.static_u双向_rnn（fw_单元格，bw_单元格，码字，dtype=tf.float32）
返回tf.matmul（输出[-1]，权重）+偏差

有人能暗示一下我做错了什么吗？
把它作为一个答案：

只需尝试将
name\u scope
交换为
variable\u scope
。我不确定它是否仍然有效，但对于TF的旧版本，不鼓励使用
name\u scope
。从变量名
双向\u rnn/fw/gru\u cell/w\u ru
可以看出该范围未应用
 一件事是，您不能在同一范围内创建具有相同名称的变量，因此更改
variable\u scope
的
name\u scope
将修复培训

另一件事是，这种模型不能作为编码器-解码器模型工作，因为解码器RNN不能是双向的。在训练时确实有整个目标序列，但在推断时，从左到右生成目标。这意味着您只有前向RNN的左上下文，但没有后向RNN的右上下文。
只需尝试将
name\u scope
交换为
variable\u scope
。我不确定它是否仍然有效，但对于TF的旧版本，不鼓励使用
name\u scope
。从您的变量名
双向\u rnn/fw/gru\u cell/w\u ru
中，您可以看到未应用该范围。感谢您的回复，这很有效。你能把它作为一个答案，这样我就可以把它标记为正确的吗？谢谢你的回答。这是我不知道的事实。非常感谢。另外，你能帮我修理一下吗？我应该从编码器双向RNN获取所有三个输出并将它们堆叠起来吗？从文档中我还发现，
输出是一个长度为'T'的输出列表（每个输入一个），它是深度连接的前向和后向输出。输出状态是前向rnn的最终状态。输出状态是反向rnn的最终状态。