Python 解释tensorflow动态rnn输出的困难
我正在尝试在tensorflow中实现一个基于LSTM单元的RNN。我在每一行中都有一个单词序列，它构成了特征，还有一个名为labels的列，它可以是1，也可以是0，作为目标。我在解释dynamic RNN的输出时面临困难。动态RNN返回输出和状态。 我已将数据分成256个批次。我已经补好/切掉了 每行的统一长度为160。然后我用手套把它们嵌入，这样每个单词都变成了一个百维向量。在这之后，我的每个例子都变成了一个160×100的矩阵，RNN函数的每个批次都变成了一个-256、160、100形状的张量。现在，假定LSTM单元的隐藏_维度设置为300，则大小为160 x 100的每个示例的隐藏状态向量的预期维度为1 x 300。但是，当我检查rnn_states.h的形状时，我得到以下结果-Python 解释tensorflow动态rnn输出的困难,python,tensorflow,recurrent-neural-network,Python,Tensorflow,Recurrent Neural Network,我正在尝试在tensorflow中实现一个基于LSTM单元的RNN。我在每一行中都有一个单词序列，它构成了特征，还有一个名为labels的列，它可以是1，也可以是0，作为目标。我在解释dynamic RNN的输出时面临困难。动态RNN返回输出和状态。 我已将数据分成256个批次。我已经补好/切掉了 每行的统一长度为160。然后我用手套把它们嵌入，这样每个单词都变成了一个百维向量。在这之后，我的每个例子都变成了一个160×100的矩阵，RNN函数的每个批次都变成了一个-256、160、100形状的
TensorShape([Dimension(None), Dimension(300)])
train_context.get_shape()
# TensorShape([Dimension(128), Dimension(160)])
train_utterance.get_shape()
# TensorShape([Dimension(128), Dimension(160)])
context_embedded = tf.cast(tf.nn.embedding_lookup(embeddings_W,\
train_context, name="embed_context"), dtype = tf.float64)
utterance_embedded = tf.cast(tf.nn.embedding_lookup(embeddings_W,\
train_utterance, name="embed_utterance"), dtype = tf.float64)
context_embedded.get_shape()
# TensorShape([Dimension(128), Dimension(160), Dimension(100)])
utterance_embedded.get_shape()
# TensorShape([Dimension(128), Dimension(160), Dimension(100)])
inputs = tf.concat(0, [context_embedded, utterance_embedded])
inputs.get_shape()
# TensorShape([Dimension(256), Dimension(160), Dimension(100)])
cell = tf.nn.rnn_cell.LSTMCell(300, forget_bias=2.0, use_peepholes=True,\
state_is_tuple=True)
cell.state_size
# LSTMStateTuple(c=300, h=300)
rnn_outputs, rnn_states = tf.nn.dynamic_rnn(cell, inputs, dtype=tf.float64,\
parallel_iterations=64, time_major=False)
rnn_states.h.get_shape()
# TensorShape([Dimension(None), Dimension(300)])