Tensorflow：了解LSTM模型的层结构答案

【问题标题】：Tensorflow: Understanding the layer structure of LSTM modelTensorflow：了解LSTM模型的层结构
【发布时间】：2018-08-14 13:06:47
【问题描述】：

我是 tensorflow 和 LSTM 的新手，在理解网络的形状和结构（权重、偏差、输入和日志的形状）时遇到了一些麻烦。

在这段取自here的特定代码中

def recurrent_neural_network(x):
    layer = {'weights':tf.Variable(tf.random_normal([rnn_size,n_classes])),
         'biases':tf.Variable(tf.random_normal([n_classes]))}

    x = tf.transpose(x, [1,0,2])
    x = tf.reshape(x, [-1, chunk_size])
    x = tf.split(x, n_chunks, 0)

    lstm_cell = rnn_cell.BasicLSTMCell(rnn_size,state_is_tuple=True)
    outputs, states = rnn.static_rnn(lstm_cell, x, dtype=tf.float32)

    output = tf.matmul(outputs[-1],layer['weights']) + layer['biases'])

    return output

谁能解释一下为什么我们需要将 x 转换为这种特定格式（转置 -> 重塑 -> 拆分）
为什么权重定义为 [rnn_size, n_classes] 而偏差定义为 [n_classes]。
正在形成的网络的确切结构是什么以及权重是如何连接的，我不太理解。
是否有任何网站或参考资料可供我阅读？

谢谢。

【问题讨论】：

标签： python tensorflow machine-learning lstm rnn

【解决方案1】：

对于一般的网络结构，LSTMs 是 RNN 网络的扩展。 RNN网络结构的解释可以看this classic blog post

对于实际的 LSTM，try this post (which also has an RNN explanation)

这些不是很正式，但它们应该比学术论文更容易阅读和理解。

一旦您阅读了这些内容，其余部分应该不会很难。 X 转换的原因是因为这是 static_rnn 期望的格式。而 rnn_size 是 LSTM 单元的大小，这就是为什么权重是这样形成的。

【讨论】：