直接看代码
def create_cell():
cell = rnn.LSTMCell(num_units)
return rnn.DropoutWrapper(cell, input_keep_prob=0.5)
rnn_cell = rnn.MultiRNNCell([create_cell() for _ in range(2)])
output, states = tf.nn.dynamic_rnn(rnn_cell, x, dtype=tf.float32)
相关API：
tf.nn.dynamic_rnn(
cell,
inputs,
sequence_length=None,
initial_state=None,
dtype=None,
parallel_iterations=None,
swap_memory=False,
time_major=False,
scope=None
)参数
cell：一种rnn 的cell，本实例中传入了一个多层的rnncell，每层cell的基本单元是LSTMCell，并且使用了dropout
inputs：输入数据
如果 time_major == False (default)
input的形状必须为 [batch_size, max_time, embed_size]
如果 time_major == True
input输入的形状必须为 [max_time, batch_size, embed_size]
其中batch_size是批大小，max_time是每个序列的大小，而embed_size是序列里面每个分量的大小
返回的是一个元组 (outputs, state)
outputs：RNN的最后一层的输出，是一个tensor
如果为time_major== False，则shape [batch_size,max_time,cell.output_size]。如果为time_major== True，则shape： [max_time,batch_size,cell.output_size]。cell.output_size就是num_units
state: RNN最后时间步的state,如果cell.state_size是一个整数(一般是单层的RNNCell)，则state的shape:[batch_size，cell.state_size]。如果它是一个元组(一般这里是 多层的RNNCell)，那么它将是一个具有相应形状的元组。注意：如果若RNNCell是 LSTMCells，则state将为每层cell的LSTMStateTuple的元组Tuple(LSTMStateTuple,LSTMStateTuple,LSTMStateTuple)
