如何在 TensorFlow 中选择合适的 API/LSTM 单元的实现？

Question

在 Tensorflow 中，同一任务在不同的 API 下有许多不同的实现。对于 LSTM 单元，可以找到许多实现，例如，

1. tf.nn.rnn_cell.LSTMCell
2. tf.contrib.rnn.LSTMBlockCell
3. tf.keras.layers.LSTMCell
4. tf.keras.layers.LSTM

我应该选择上述哪个实现？有通用的指导方针吗？例如，始终使用 tf.nn > tf.keras > tf.layers > tf。贡献。

在一个稍微相关的问题here（用于批量标准化）中，已批准的答案说 tf.contrib 不是一个好的选择，因为它用于早期实施。其中，KERAS API 也使用了 tf.nn。所以它看起来像 tf.nn > tf.keras > tf.contrib。

Answer 1

这里RNN Performance 是对 TensorFlow 的一些建议。文档中的几个要点：

• 在 NVIDIA GPU 上使用 tf.contrib.cudnn_rnn()；
• 使用tf.nn.dynamic_rnn() 而不是tf.nn.static_rnn()。可能他们的意思是，我们需要添加 sequence_length 以避免额外的计算。