Python 在理解tensorflow代码示例中的lstm使用时遇到困难

为什么在任何训练迭代发生之前要计算

pred

变量？我希望在每次迭代的数据传递过程中（通过

RNN（）

函数）都会生成

pred

一定有什么我遗漏了。

pred

类似于函数对象吗？我已经查看了

tf.matmul（）

的文档，它返回的是张量，而不是函数

完整资料来源：

代码如下：

def RNN(x, weights, biases):

    # Prepare data shape to match `rnn` function requirements
    # Current data input shape: (batch_size, n_steps, n_input)
    # Required shape: 'n_steps' tensors list of shape (batch_size, n_input)

    # Unstack to get a list of 'n_steps' tensors of shape (batch_size, n_input)
    x = tf.unstack(x, n_steps, 1)

    # Define a lstm cell with tensorflow
    lstm_cell = rnn.BasicLSTMCell(n_hidden, forget_bias=1.0)

    # Get lstm cell output
    outputs, states = rnn.static_rnn(lstm_cell, x, dtype=tf.float32)

    # Linear activation, using rnn inner loop last output
    return tf.matmul(outputs[-1], weights['out']) + biases['out']

pred = RNN(x, weights, biases)

# Define loss and optimizer
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred, labels=y))
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)

# Evaluate model
correct_pred = tf.equal(tf.argmax(pred,1), tf.argmax(y,1))
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))

# Initializing the variables
init = tf.global_variables_initializer()

---

Tensorflow代码有两个不同的阶段。首先，构建一个“依赖关系图”，其中包含将要使用的所有操作。请注意，在此阶段，您不处理任何数据。相反，您只需定义要执行的操作。Tensorflow正在注意操作之间的依赖关系

例如，为了计算

精度

，您需要首先计算

校正pred

，要计算

校正pred

，您需要首先计算

校正pred

，依此类推

因此，在所示的代码中，您所做的只是告诉tensorflow您需要什么操作。您已经将它们保存在一个“图形”数据结构中（这是一个tensorflow数据结构，基本上是一个包含所有数学运算和张量的bucket）

稍后，您将使用调用

sess.run（[ops]，feed_dict={inputs}）

对数据运行操作

当您调用

sess.run

时，请注意您必须从图形中告诉它您想要什么。如果您要求

准确性

：

   sess.run(accuracy, feed_dict={inputs})

Tensorflow将尝试计算精度。它将看到

准确性

取决于

正确的pred

，因此它将尝试通过您定义的依赖关系图进行计算，依此类推

您所犯的错误是，您认为所列代码中的

pred

正在计算某些内容。不是。该行：

   pred = RNN(x, weights, biases)

---

只定义了操作及其依赖项。

谢谢，这很有帮助。最后一个问题：

RNN（）

不是一个返回张量的函数吗。因此，

pred

应该是张量，对吗？从你的回答来看，不是，我也不知道如何。

pred

如何不使用

RNN（）

函数返回张量？是否有我遗漏的语法？它确实返回一个张量。但是张量只是一个物体，它代表着将来会发生的一些计算。如果你打印这个张量，你会看到关于它的元信息，比如它的预期形状（如果它知道形状，它可能不知道，形状可能是动态的）。你不会得到张量的值。如果您想要张量的值，您需要让tensorflow使用

mytensors\u value\u作为\u a\u numpy\u array=sess.run（mytensor）

实际计算它。你需要传递张量来计算它。你可以像在这段代码中一样，把张量放在手边，或者你可以查找它们。