創(chuàng)意RNN和深度RNN怎么實(shí)現(xiàn)

這篇文章主要講解了“創(chuàng)意RNN和深度RNN怎么實(shí)現(xiàn)”，文中的講解內(nèi)容簡(jiǎn)單清晰，易于學(xué)習(xí)與理解，下面請(qǐng)大家跟著小編的思路慢慢深入，一起來(lái)研究和學(xué)習(xí)“創(chuàng)意RNN和深度RNN怎么實(shí)現(xiàn)”吧！

1. 創(chuàng)意RNN

經(jīng)過(guò)上期的學(xué)習(xí)，我們有了一個(gè)可以預(yù)測(cè)未來(lái)時(shí)序信號(hào)的模型。那么我們也可以用它來(lái)產(chǎn)生一些有創(chuàng)意的句子。我們所需要做的就是提供一個(gè)包含n_steps個(gè)值的種子句子（比如全是0），用這個(gè)模型來(lái)預(yù)測(cè)下一個(gè)值。然后將這個(gè)預(yù)測(cè)值添加到句子中，依次產(chǎn)生一個(gè)新的句子。具體實(shí)現(xiàn)如下：

sequence = [0.] * n_steps
for iteration in range(300):
    X_batch = np.array(sequence[-n_steps:]).reshape(1, n_steps, 1)
    y_pred = sess.run(outputs, feed_dict={X: X_batch})
    sequence.append(y_pred[0, -1, 0])

現(xiàn)在我們可以把周杰倫的專輯輸入到RNN網(wǎng)絡(luò)中，看看能產(chǎn)生什么樣子的歌曲出來(lái)。然而，有時(shí)候我們需要一個(gè)擁有更多神經(jīng)元的更深的更加強(qiáng)大的RNN，那接下來(lái)，我們看下深度RNN。

2. 深度RNN

深度RNN其實(shí)跟深度CNN差不多，疊加更多層的神經(jīng)元而已，如下圖：

那么在tensorflow中該如何實(shí)現(xiàn)呢？我們可以穿件幾個(gè)神經(jīng)元，并且把他們堆疊到MultiRNNCell中。下面的代碼中，我們堆疊了三個(gè)相同的神經(jīng)元（我們也可以堆疊多種不同類型不同個(gè)數(shù)的神經(jīng)元）：

n_neurons = 100
n_layers = 3
basic_cell = tf.contrib.rnn.BasicRNNCell(num_units=n_neurons)
multi_layer_cell = tf.contrib.rnn.MultiRNNCell([basic_cell] * n_layers)
outputs, states = tf.nn.dynamic_rnn(multi_layer_cell, X, dtype=tf.float32)

感謝各位的閱讀，以上就是“創(chuàng)意RNN和深度RNN怎么實(shí)現(xiàn)”的內(nèi)容了，經(jīng)過(guò)本文的學(xué)習(xí)后，相信大家對(duì)創(chuàng)意RNN和深度RNN怎么實(shí)現(xiàn)這一問(wèn)題有了更深刻的體會(huì)，具體使用情況還需要大家實(shí)踐驗(yàn)證。這里是億速云，小編將為大家推送更多相關(guān)知識(shí)點(diǎn)的文章，歡迎關(guān)注！