BasicLSTMCell

class BasicLSTMCell(RNNCell):

基本的LSTM循环网络单元

实现基于http:///abs/1409.2329

我们添加 forget_bias （默认值为1）到遗忘门的偏置，为了减少在开始训练时遗忘的规模。

它不允许单元有一个剪裁，映射层，不允许有peep-hole 连接：这是基准。

对于更高级的模型，请使用 full LSTMCell

def __init__(self, num_units, forget_bias=1.0, input_size=None):

初始化基本LSTM 单元

参数：

• num_units:  int, 在LSTM cell中unit 的数目
• forget_bias:  float, 添加到遗忘门中的偏置
• input_size:  int, 输入到LSTM cell 中输入的维度。默认等于 num_units

class DropoutWrapper(RNNCell):

在给定的cell 上的输入和输出添加 dropout 操作。

def __init__(self, cell, input_keep_prob=1.0, output_keep_prob=1.0, seed=None)

创建一个输入或（且）输出上有dropout 操作的cell

state 上不应用dropout

参数：

• cell:  一个RNNCell，添加一个到output_size 的映射
• input_keep_prob:  unit Tensor 或0到1之间的一个float 值，保留输入的概率；如果是float 类型的1，表示输入上不添加dropout 操作。
• output_keep_prob:  unit Tensor 或0到1之间的一个float值，保留输出的概率；如果是float类型的1，表示输出上不添加dropout 操作。
• seed:  可选 integer，随机种子

def __call__(self, inputs, state, scope=None):

class MultiRNNCell(RNNCell):

RNN cell 有多个简单的cell 循序组成。（按照序列组成）

def __init__(self, cells):

创建一个由大量的RNNCell 循序组成的一个RNN cell

参数：

• cells: RNNCell 的列表，将按照这个顺序组成

cells[i+1].input_size==cells[i].output_size

def __call__(self, inputs, state, scope=None):

def get_variable(self, name, shape=None, dtype=dtypes.float32, initializer=None, regularizer=None, reuse=None, trainable=True, collection=None, caching_device=None):

用这些参数得到一个已存在的变量或创建一个新的变量。

如果给定名字的变量已存在，则返回一个已存在的变量。否则，创建一个新的变量。

设置'reuse' 为 ‘True’，当你仅仅想要重用已经存在的变量。

设置'reuse'为‘False’，当你仅仅想要创建一个新的变量。

如果'reuse' 为 'None'（默认），会返回一个新的变量和一个已经存在的变量。

如果初始化器是'None'（默认），使用构造器中传入的初始化器。如果构造函数中的初始化器也是'None‘，我使用一个新的'UniformUnitScalingInitializer’。如果初始化器是一个Tensor，我们使用它作为一个值，并从初始化器中获得shape.

参数：

• name:  新的或已存在的变量的名字。
• shape:  新的或已存在的变量的shape