Tensorflow警告：提供给MultiRNNCell的两个单元格是同一个对象_Tensorflow_Neural Network_Recurrent Neural Network

Tensorflow警告：提供给MultiRNNCell的两个单元格是同一个对象

tensorflow neural-network

Tensorflow警告：提供给MultiRNNCell的两个单元格是同一个对象,tensorflow,neural-network,recurrent-neural-network,Tensorflow,Neural Network,Recurrent Neural Network,在执行tensorflow脚本时，我一直收到以下警告警告：tensorflow：提供给MultiRNNCell的至少两个单元格是同一对象将共享权重然而，有问题的RNN似乎运行良好，并且正在做出准确的预测与警告信息相关的含义是什么？可以安全地忽略它吗？如果是潜在的严重问题，如何评估其影响？您可以使用[lstm\u layer]*num\u layers创建多个RNN层，这些层实际上引用python中的同一对象。这种用法在tensorflow的某些版本中是正常的，有些版本会报告错误正如警告

在执行tensorflow脚本时，我一直收到以下警告

警告：tensorflow：提供给MultiRNNCell的至少两个单元格是同一对象将共享权重

然而，有问题的RNN似乎运行良好，并且正在做出准确的预测

与警告信息相关的含义是什么？可以安全地忽略它吗？如果是潜在的严重问题，如何评估其影响？

您可以使用

[lstm\u layer]*num\u layers

创建多个RNN层，这些层实际上引用python中的同一对象。这种用法在tensorflow的某些版本中是正常的，有些版本会报告错误

正如警告所说，由于所有RNN层都是相同的对象，因此它们的权重将保持不变。所有错误都反馈到RNN层。这相当于减少了模型的参数，降低了模型的复杂度

如果要创建多个不同的RNN层和复杂模型，可以使用以下用法。这两种不同方法的有效性评估取决于具体的应用场景和结果。如果您的模型结果足够好，那么更复杂的模型就没有多大意义

rnn_layers = []
for _ in range(num_layers):
    lstm_layer = rnn.LSTMBlockCell(num_units, forget_bias=1)
    lstm_layer = rnn.DropoutWrapper(lstm_layer, output_keep_prob=output_keep_prob)
    rnn_layers.append(lstm_layer)

stacked_lstm = rnn.MultiRNNCell(rnn_layers)

RNNCell引用可能是相同的（它们是相同的对象）。你能把相关代码放进去吗？

rnn_layers = []
for _ in range(num_layers):
    lstm_layer = rnn.LSTMBlockCell(num_units, forget_bias=1)
    lstm_layer = rnn.DropoutWrapper(lstm_layer, output_keep_prob=output_keep_prob)
    rnn_layers.append(lstm_layer)

stacked_lstm = rnn.MultiRNNCell(rnn_layers)