好多预测模型的论文都是用seq2seq实现的，具体是LSTM_encoder将输入序列编码为一个tensor（又叫output、H或Y），同时保留序列状态state（又叫w或c）；
LSTM_decoder继承encoder的状态，将上层的output作为输入，得到的每个输出到embeding中找对应的词向量，然后再次调用LSTM_decoder刚才的输出作为这次的输入。一直循环，直到输出EOS为止。
tensorflow中并没有循环网络（可能有，我不知道）。因此决定用LSTMCell循环实现。
代码如下：
class MyModel(tf.keras.Model):
def __init__(self):
super().__init__()
self.encodeLSTM = layers.LSTM(1, return_state=True)
self.decodeLSTM = layers.LSTMCell(1)
def call(self, inputs):
x, memory_state, carry_state = self.encodeLSTM(inputs)
pred = tf.constant([], shape=(16, 0), dtype=tf.float32)
for i in range(8):
x,[memory_state, carry_state] = self.decodeLSTM(x,[memory_state, carry_state])
pred = tf.concat((pred, x),axis=1 )
return pred
model = MyModel()
model.build((None, 10, 1))
model.summary()
LSTMCell一般与RNN组合使用，例
cell=[layer.LSTMCell(10) , layers.LSTMCell(5)]
layers.RNN(cell)
单独使用时请注意几点：
[En]
Note a few points when using it alone:
①LSTMCell帮助文档中没有关于状态的参数，需要从**kwargs传入。
②LSTMCell的状态不能保留，因此它每一次运算都会返回当前状态，以便下一次继续使用。
③LSTMCell由于不处理时间序列time_seq，它的输入格式为(batch_size,units)和输出格式相同。对比LSTM输入(batch_size,time_seq,units)输出(batch_size,units)
感谢官方文档和github教我的用法
https://tensorflow.google.cn/api_docs/python/tf/keras/layers/LSTMCell
https://github.com/search?q=tensorflow+layers.LSTMCell&type=Code
Original: https://blog.csdn.net/Loutre_star/article/details/124015331
Author: Loutre_star
Title: 简单seq2seq代码 使用tensorflow的LSTMCell构造循环decoder
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/508807/
转载文章受原作者版权保护。转载请注明原作者出处！