————————————————————————————————————

写在开头：此文参照莫烦python教程（墙裂推荐！！！）

————————————————————————————————————

循环神经网络RNN

相关名词：

- LSTM:长短期记忆

- 梯度消失/梯度离散

- 梯度爆炸

- 输入控制：控制是否把当前记忆加入主线网络

- 忘记控制：控制是否暂时忘记主线网络，先看当前分线

- 输出控制: 控制输出是否要考虑要素

- 数据有顺序的/序列化

- 前面的影响后面的

RNN LSTM 之分类

识别手写数字

• 识别手写数字
• mnist数据集
• 一行一行地识别

rnn使用错误及修正

• 错误一：

错误描述： ValueError: Variable tf.nn.dynsmic_rnn/rnn/basic_lstm_cell/kernel already exists, disallowed. Did you mean to set reuse=True or reuse=tf.AUTO_REUSE in VarScope? Originally defined at:

错误解决：看你的训练数据和测试数据是否放在同一个文件下，若是，要加上下面一句：

#如果训练和测试数据存放在同一个文件中，一定要加下面这句！

tf.reset_default_graph()  

如果这时候出现了错误二，就用下面的解决方法：

• 错误二
  
  错误描述：ValueError: Tensor(“tf.nn.dynsmic_rnn/rnn/Const:0”, shape=(1,), dtype=int32) must be from the same graph as Tensor(“ExpandDims:0”, shape=(1,), dtype=int32).
  
  错误解决：

#把tf.reset_default_graph()  改为：

    tf.Graph()

完整代码

下面是完整的分类代码及结果

import tensorflow as tf

from tensorflow.examples.tutorials.mnist import input_data

#load data

mnist = input_data.read_data_sets('MNIST_data',one_hot = True)

#参数

lr = 0.001

training_iters = 100000   #循环次数

batch_size = 128      

n_inputs = 28    #因为照片是28*28，而每次都读一行，所以input为28

n_steps = 28     #因为有28行，所以要input28步

n_hidden_unis = 128  #隐藏层，自己设

n_classes = 10  #10个数字（0-9），所以类别有10种

#holder

x = tf.placeholder(tf.float32,[None,n_steps,n_inputs])

y = tf.placeholder(tf.float32,[None,n_classes])

#定义权重

weights = {

    #input weights(28,128)

    'in':tf.Variable(tf.random_normal([n_inputs,n_hidden_unis])),

    #output weights(128,10)

    'out':tf.Variable(tf.random_normal([n_hidden_unis,n_classes]))

}

#定义偏置

biases = {

    'in':tf.Variable(tf.constant(0.1,shape=[n_hidden_unis,])),

    'out':tf.Variable(tf.constant(0.1,shape =[n_classes,]))

}

#定义RNN

def RNN(X,weights,biasis):

    #hidden layer

    #X(128,28,28) ==>(128*28,28)

    X = tf.reshape(X,[-1,n_inputs])

    X_in =tf.matmul(X,weights['in']+biases['in'])  #(128*28,128)

    X_in = tf.reshape(X_in,[-1,n_steps,n_hidden_unis])#(128,28,128)

    #cell

    #forget_bais推荐初始化为1.0

    #with tf.variable_scope('lstm_cell'):

    lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(n_hidden_unis,forget_bias=1.0,state_is_tuple=True)

    #with tf.variable_scope('init_'):

    init_state = lstm_cell.zero_state(batch_size,dtype=tf.float32)

    #output是个列表；这里实践维度在行，就是X_in的第二个，所以为false，时间维度为第一个，则true

    with tf.variable_scope('tf.nn.dynsmic_rnn'):

        outputs,states = tf.nn.dynamic_rnn(lstm_cell,X_in,initial_state=init_state,time_major=False)

    #output

    results = tf.matmul(states[1],weights['out']+biases['out'])

    ##other way,这里可用

    #outputs = tf.unpack(tf.transpose(outputs,[1,0,2]))

    #results = tf.matmuo(outputs[-1],weights['out']+biases['out'])

    return results

#如果训练和测试数据存放在同一个文件中，一定要加下面这句！

tf.Graph() 

pred = RNN(x,weights,biases)

cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=pred))

train_op = tf.train.AdamOptimizer(lr).minimize(cost)

correct_pred = tf.equal(tf.argmax(pred,1),tf.argmax(y,1))

accuracy = tf.reduce_mean(tf.cast(correct_pred,tf.float32))

init = tf.initialize_all_variables()

with tf.Session() as sess:

    sess.run(init)

    step = 0

    while step*batch_size < training_iters:

        batch_xs,batch_ys = mnist.train.next_batch(batch_size)

        batch_xs = batch_xs.reshape([batch_size,n_steps,n_inputs])

        sess.run([train_op],feed_dict={x:batch_xs,y:batch_ys,})

        if step%50 == 0:

            print(sess.run(accuracy,feed_dict = {

                x:batch_xs,y:batch_ys,

            }))

        step += 1

Extracting MNIST_data\train-images-idx3-ubyte.gz

Extracting MNIST_data\train-labels-idx1-ubyte.gz

Extracting MNIST_data\t10k-images-idx3-ubyte.gz

Extracting MNIST_data\t10k-labels-idx1-ubyte.gz

0.2109375

0.78125

0.84375

0.9140625

0.921875

0.921875

0.9375

0.9453125

0.96875

0.9140625

0.953125

0.984375

0.9609375

0.9453125

0.96875

0.9921875

由上面的结果来看，RNN的效果还是很不错的！

---

*点击[这儿：TensorFlow]发现更多关于TensorFlow的文章*

---