在 tensorflow 代码示例中无法理解 lstm 的使用

Question

为什么在任何训练迭代发生之前计算pred 变量？我希望在每次迭代的每个数据传递期间都会生成一个pred（通过RNN() 函数）？

一定有我遗漏的东西。 pred 是不是类似于函数对象？我查看了tf.matmul() 的文档，它返回的是张量，而不是函数。

完整来源：https://github.com/aymericdamien/TensorFlow-Examples/blob/master/examples/3_NeuralNetworks/recurrent_network.py

代码如下：

def RNN(x, weights, biases):

    # Prepare data shape to match `rnn` function requirements
    # Current data input shape: (batch_size, n_steps, n_input)
    # Required shape: 'n_steps' tensors list of shape (batch_size, n_input)

    # Unstack to get a list of 'n_steps' tensors of shape (batch_size, n_input)
    x = tf.unstack(x, n_steps, 1)

    # Define a lstm cell with tensorflow
    lstm_cell = rnn.BasicLSTMCell(n_hidden, forget_bias=1.0)

    # Get lstm cell output
    outputs, states = rnn.static_rnn(lstm_cell, x, dtype=tf.float32)

    # Linear activation, using rnn inner loop last output
    return tf.matmul(outputs[-1], weights['out']) + biases['out']

pred = RNN(x, weights, biases)

# Define loss and optimizer
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred, labels=y))
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)

# Evaluate model
correct_pred = tf.equal(tf.argmax(pred,1), tf.argmax(y,1))
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))

# Initializing the variables
init = tf.global_variables_initializer()

Answer 1

Tensorflow 代码有两个不同的阶段。首先，您构建一个“依赖关系图”，其中包含您将使用的所有操作。请注意，在此阶段您不会处理任何数据。相反，您只是定义要发生的操作。 TensorFlow 正在记录操作之间的依赖关系。

例如，为了计算accuracy，您需要先计算correct_pred，要计算correct_pred，您需要先计算pred，以此类推。

所以你在显示的代码中所做的只是告诉 tensorflow 你想要什么操作。您已将它们保存在“图形”数据结构中（这是一个 tensorflow 数据结构，基本上是一个包含所有数学运算和张量的存储桶）。

稍后您将使用对sess.run([ops], feed_dict={inputs}) 的调用对数据运行操作。

当您调用sess.run 时，请注意您必须告诉它您想要从图表中得到什么。如果你要accuracy：

   sess.run(accuracy, feed_dict={inputs})

Tensorflow 将尝试计算准确性。它将看到 accuracy 依赖于 correct_pred，因此它将尝试通过您定义的依赖关系图计算它，依此类推。

您所犯的错误是您认为您列出的代码中的pred 正在计算某些东西。它不是。行：

   pred = RNN(x, weights, biases)

只定义了操作和它的依赖。