tensorflow中RNN和Seq2Seq模型的API参考

在哪里可以找到指定RNN和Seq2Seq模型中可用函数的API引用

---

在github页面中，提到rnn和seq2seq被移动到了tf.nn，到目前为止，我在他们的站点上也找不到关于rnn函数的API参考

但是，我相信您可以在github上看到每个函数的注释作为函数参考

---

[注：此答案针对r1.0进行了更新…但解释了

传统的_seq2seq

而不是

tensorflow/tensorflow/contrib/seq2seq/

]

好消息是tensorflow中提供的seq2seq模型非常复杂，包括嵌入、bucket、注意机制、一对多多多任务模型等

坏消息是，Python代码中有很多复杂的抽象层，而代码本身就是我所能说的高级RNN和seq2seq“API”的最佳可用“文档”…谢天谢地，代码是很好的文档化的

实际上，我认为下面提到的示例和帮助函数对于理解编码模式非常有用……而且在大多数情况下，您需要在较低级别上使用基本函数重新实现所需的功能

以下是自r1.0版起，RNN seq2seq代码自上而下的细分：

…提供了可将英语翻译成法语的

main（）

、

train（）

、

decode（）

，但您可以将此代码改编为其他数据集

…

class Seq2SeqModel（）

设置了一个复杂的RNN编码器-解码器，带有嵌入、存储桶、注意机制……如果您不需要嵌入、存储桶或注意，则需要实现一个类似的类

…通过辅助函数，seq2seq模型的主要入口点。请参见

带桶的模型（）

，

嵌入注意事项的seq2seq（）

，

嵌入注意事项的解码器（）

，

注意事项的解码器（）

，

序列丢失（）

，等等。 示例包括

one2many\u rnn\u seq2seq

和未嵌入/注意的模型，如

basic\u rnn\u seq2seq

。如果你能把数据塞进张量中，这些函数会接受，这可能是你建立自己模型的最佳切入点

…为RNN网络（如

static\u RNN（）

）提供了一个包装器，带有一些我通常不需要的铃声和口哨，因此我只使用如下代码：

def simple_rnn(cell, inputs, dtype, score):
    with variable_scope.variable_scope(scope or "simple_RNN") as varscope1:
            if varscope1.caching_device is None:
                varscope1.set_caching_device(lambda op: op.device)

        batch_size = array_ops.shape(inputs[0])[0]
        outputs = []
        state = cell.zero_state(batch_size, dtype)            

        for time, input_t in enumerate(inputs):
           if time > 0:      
             variable_scope.get_variable_scope().reuse_variables()


           (output, state) = cell(input_t, state)

           outputs.append(output)

        return outputs, state

---

TensorFlow当前/主版本的RNN文档：

TensorFlow特定版本的RNN文档：

出于好奇，以下是一些关于RNN文档最初不可用的注释：

---

你使用Python还是C++ API？