Tensorflow中RNN/LSTM循环连接和方程的变化

根据，Tensorflow中的RNN支持以下等式：

activation(W * input + U * state + B)

现在，实施以下RNN的最佳实践是什么：

activation(W_1 * input_1 + W_2 * input_2 + U * state + B)

说到最佳实践，我指的是用稍微不同的公式实现RNN/LSTM的快速有效的方法：编辑tf.nn.RNN_单元，使其能够支持此或？[在本例中，假设我们无法连接输入_1和输入_2，因为它们具有不同的维度]

---

一般来说，如果我们想稍微改变一下LSTM/RNN的方程（即添加新输入、新循环连接等），那么我们应该从TF开始？有什么建议吗？应该更改哪些文件？任何教程或代码的指针都将不胜感激。

使用Tensorflow的RNN单元库应该很容易做到这一点。每个RNN单元类型实现为RNNCell的一个子类；您可以轻松地添加自己的新子类。请看定义一些常见RNN单元的代码：

---

希望这有帮助

谢谢你的回答。因此，通过实现新的RNNCell，是否需要重新实现rnn.py中的所有其他类，如dynamic\u rnn等？

dynamic\u rnn

在单元格类型中是参数化的。您可以将其传递给您自己的自定义RNN单元类型，这样就可以正常工作了。