对于单个的 RNNCell ， 使用色的 call 函数进行运算时 ，只是在序列时间上前进了一步 。 如使用 x1、 ho 得到此h1， 通过 x2 、 h1得到 h2等 。 tf.nn.dynamic_rnn的作用： 如果序列长度为n，要调
对于单个的 RNNCell ， 使用色的 call 函数进行运算时 ，只是在序列时间上前进了一步 。
如使用 x1、 ho 得到此h1， 通过 x2 、 h1 得到 h2 等 。
tf.nn.dynamic_rnn的作用：
如果序列长度为n，要调用n次call函数，比较麻烦。对此，TensorFlow提供了一个tf.nn.dynamic_mn函数，使用该函数相当于调用了n次call函数。通过{ho, x1 , x2，…， xn} 直接得到{h1 , h2，…， hn} 。
具体来说，设输入数据的格式为（batch_size, time_steps, input size），
其中batch_size表示batch的大小，即包含几个序列。
time_steps表示序列长度，
input_size表示输入数据单个序列单个时间维度上固有的长度。
此时，得到的outputs是time_steps步里所有的输出。它的形状为(batch_size, time_steps, cell.output size）。state 是最后一步的隐状态，形状为（batch_size, cell . state_size） 。
至此，在对每一步的输出进行变换，可以得到损失并进行训练模型了。
以上这篇使用 tf.nn.dynamic_rnn 展开时间维度方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持易盾网络。