TensorFlow----实现 RNN 的基本单元： RNNCell

RNNCell是TensorFlow中发RNN基本单元。

本身是一个抽象类，拥有两个子类，一个是BasicRNNCell，另一个是BasicLSTMCell。

 （注：RNNCell：是抽象类不能进行实例化，可以使用它的子类 BasicRNNCell 或BasicLSTMCell 进行实例化，得到 cell ）

RNNCell的三个要点

1. 类方法call （实现单步循环）
2. 类属性 state_size
3. 类属性 output_size 

call方法，所有RNNCell的子类都会实现一个call函数。利用call函数可以实现RNN的单步计算。

对于一个已经实例化好的基本单元cell 调用形式为： 

 (output, next_ state) = cell.call(input, state） 

RNNCell的类属性state_size和output_size分别规定了隐层的大小和输出向量的大小。

通常是以batch形式输入数据，input的形状为（batch_size，input_size），

调用call函数时对应的隐层的形状是（batch_size，state_size），

输出的形状是（batch_size，output_size）。

---

在TensorFlow中定义一个基本的RNN单元的方法为：

import tensorflow as tf
rnn_cell= tf.nn.rnn_cell.BasicRNNCell(num units=128)
print(rnn_cell.state_size ) ＃打出 state_size 着一下，应有 state_size = 128

在TensorFlow中定义一个LSTM基本单元的方法为：

import tensorflow as t f
lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(num units=128)
print(lstm_cell.state_size)   #state_size = LSTMStateTuple(c=l28, h=128)

LSTM可以看做有h和C两个隐层。在TensorFlow中LSTM基本单元的state_size由两部分组成，一部分是c，另一部分是h。

具体使用时，可以通过state.h以及state.c进行访问，下面是一个示例代码：

import tensorflow as i::f
import numpy as np
lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(num_units=128)
inputs = tf.placeholder(np.float32, shape=(32, 100)) # 32 是 batch_size

＃通过zero_state方法得到一个全0的初始化状态
hO = lstm_cell.zero_state(32, np.float32) 

#调用call方法实现单步计算
output, hl = lstm_cell.call(inputs, hO)

#查看h1的状态
print(hl.h) # shape=(32, 128)
print(hl.c) # shape=(32, 128)

堆叠RNN : MultiRNNCell

单层RNN能力有限，需要多层RNN。

将x输入到第一层RNN后得到隐层状态h，这个隐层状态相当于第二层RNN的输入，第二层RNN的隐层状态又相当于第三层RNN的输入，以此类推。三层RNN串联

在TensorFlow中，使用tf.nn.rnn_cell.MultiRNNCell函数对RNN进行堆叠，代码如下：

import tensorflow as tf
import numpy as np

#每次调用这个函数返回一个BasicRNNCell
def get_a_cell():
    return tf.nn.rnn_cell.BasicRNNCell(num_units=128)

#用tf.nn.rnn _cell_MultiRNNCell创建三层RNN
cell= tf.nn.rnn_cell.MultiRNNCell([get_a_cell() for _ in range(3)])

#得到的cell实际也是RNNCell的子类
#它的state_size是（128，128,128）代表3个隐层状态，每个隐层状态是128
print(cell.state_size)  # (128, 128, 128)

#使用对应的call函数
inputs = tf.placeholder(np.float32, shape=(32, 100)) # 32 是 batch size
＃通过zero_state方法得到一个全0的初始状态
hO = cell.zero_state(32, np.float32)

output, hl = cell.call(inputs, hO) 
print(hl) # tuple 中合有 3 个 32xl28 的向噩