Tensorflow 在tf.contrib.rnn.dropoutrapper中使用

在的api中，我试图设置

variation\u recurrent=True

，在这种情况下，输入大小是必需的。如上所述，

input\u size

是包含输入张量的深度的

TensorShape

对象

深度令人困惑，请问是什么？这只是张量的形状吗？我们可以通过

tf.shape（）

？或者是特殊情况下的图像通道数？但我的输入张量不是图像

我不明白为什么当

variation\u returnal=True

时需要

dtype

---

谢谢

tf.TensorShape（[200，None，300]）的输入大小仅为300

玩这个例子

import os
os.environ["CUDA_DEVICE_ORDER"]="PCI_BUS_ID"   # see TF issue #152
os.environ["CUDA_VISIBLE_DEVICES"]="1"
import tensorflow as tf
import numpy as np


n_steps = 2
n_inputs = 3
n_neurons = 5
keep_prob = 0.5
learning_rate = 0.001


X = tf.placeholder(tf.float32, [None, n_steps, n_inputs])
X_seqs = tf.unstack(tf.transpose(X, perm=[1, 0, 2]))

basic_cell = tf.contrib.rnn.BasicLSTMCell(num_units=n_neurons)
basic_cell_drop = tf.contrib.rnn.DropoutWrapper(
    basic_cell,
    input_keep_prob=keep_prob,
    variational_recurrent=True,
    dtype=tf.float32,
    input_size=n_inputs)

output_seqs, states = tf.contrib.rnn.static_rnn(
    basic_cell_drop,
    X_seqs,
    dtype=tf.float32)
outputs = tf.transpose(tf.stack(output_seqs), perm=[1, 0, 2])

init = tf.global_variables_initializer()

X_batch = np.array([
        # t = 0      t = 1 
        [[0, 1, 2], [9, 8, 7]], # instance 1
        [[3, 4, 5], [0, 0, 0]], # instance 2
        [[6, 7, 8], [6, 5, 4]], # instance 3
        [[9, 0, 1], [3, 2, 1]], # instance 4
    ])

with tf.Session() as sess:
    init.run()
    outputs_val = outputs.eval(feed_dict={X: X_batch})


print(outputs_val)

---

有关更多详细信息，请参见此：

关于您的第一个问题：您对RNN单元格的输入将是某种形状的多维张量

[批次大小，最大时间，…]

。深度指的是“…”尺寸。例如，当您的输入具有形状

（20、35、100）

时，深度为100。在这种情况下，辍学包装中的

input\u size

将为100。