TensorFlow框架下的RNN实践小结

截至目前，TensorFlow的RNN APIs还处于Draft阶段。不过据官方解释，RNN的相关API已经出现在Tutorials里了，大幅度的改动应该是不大可能，现在入手TF的RNN APIs风险应该是不大的。

目前TF的RNN APIs主要集中在tensorflow.models.rnn中的rnn和rnn_cell两个模块。其中，后者定义了一些常用的RNN cells，包括RNN和优化的LSTM、GRU等等；前者则提供了一些helper方法。

创建一个基础的RNN很简单：

1	from tensorflow.models.rnn import rnn_cell

2	cell = rnn_cell.BasicRNNCell(inputs, state)

创建一个LSTM或者GRU的cell？

1	cell = rnn_cell.BasicLSTMCell(num_units)  #最最基础的，不带peephole。

2	cell = rnn_cell.LSTMCell(num_units, input_size)  #可以设置peephole等属性。

3	cell = rnn_cell.GRUCell(num_units)

调用呢？

1	output, state = cell(input, state)

这样自己按timestep调用需要设置variable_scope的reuse属性为True，懒人怎么做，TF也给想好了：

1	state = cell.zero_state(batch_size, dtype=tf.float32)

2	outputs, states = rnn.rnn(cell, inputs, initial_state=state)

再懒一点：

1	outputs, states = rnn.rnn(cell, inputs, dtype=tf.float32)

怕overfit，加个Dropout如何？

1	cell = rnn_cell.DropoutWrapper(cell, input_keep_prob=0.5, output_keep_prob=0.5)

做个三层的带Dropout的网络？

1	cell = rnn_cell.DropoutWrapper(cell, output_keep_prob=0.5)

2	cell = rnn_cell.MultiRNNCell([cell] * 3)

3	inputs = tf.nn.dropout(inputs, 0.5)  #给第一层单独加个Dropout。

一个坑——用rnn.rnn要按照timestep来转换一下输入数据，比如像这样：

1	inputs = [tf.reshape(t, (input_dim[0], 1)) for t in tf.split(1, input_dim[1], inputs)]

rnn.rnn()的输出也是对应每一个timestep的，如果只关心最后一步的输出，取outputs[-1]即可。

注意一下子返回值的dimension和对应关系，损失函数和其它情况没有大的区别。

目前饱受诟病的是TF本身还不支持Theano中scan()那样可以轻松实现的不定长输入的RNN，不过有人反馈说Theano中不定长训练起来还不如提前给inputs加个padding改成定长的训练快。