我正在使用TensorFlow v:1.1，并希望使用tf.contrib.seq2seq api实现一个序列到序列的模型。然而，我很难理解如何使用提供的所有函数（BasicDecoder、Dynamic_decode、Helper、Training Helper等）来构建我的模型。
这是我的设置：我想要“翻译”一系列特征向量序列：(batch_size, encoder_max_seq_len, feature_dim)，并将其转化为不同长度的序列(batch_size, decoder_max_len, 1)。
我已经有了LSTM单元的RNN编码器，并获取了它的最终状态，我想将其作为初始输入馈送给解码器。我已经有了解码器的cell，MultiRNNCell LSM。
你能帮助我使用tf.contrib.seq2seq2的函数和dynamic_decode构建最后一部分吗？如果能提供示例代码或说明，那就太好了。
以下是我的代码：
这是我的设置：我想要“翻译”一系列特征向量序列：(batch_size, encoder_max_seq_len, feature_dim)，并将其转化为不同长度的序列(batch_size, decoder_max_len, 1)。
我已经有了LSTM单元的RNN编码器，并获取了它的最终状态，我想将其作为初始输入馈送给解码器。我已经有了解码器的cell，MultiRNNCell LSM。
你能帮助我使用tf.contrib.seq2seq2的函数和dynamic_decode构建最后一部分吗？如果能提供示例代码或说明，那就太好了。
以下是我的代码：
import tensorflow as tf
from tensorflow.contrib import seq2seq
from tensorflow.contrib import rnn
import math
from data import gen_sum_2b2
class Seq2SeqModel:
def __init__(self,
in_size,
out_size,
embed_size,
n_symbols,
cell_type,
n_units,
n_layers):
self.in_size = in_size
self.out_size = out_size
self.embed_size = embed_size
self.n_symbols = n_symbols
self.cell_type = cell_type
self.n_units = n_units
self.n_layers = n_layers
self.build_graph()
def build_graph(self):
self.init_placeholders()
self.init_cells()
self.encoder()
self.decoder_train()
self.loss()
self.training()
def init_placeholders(self):
with tf.name_scope('Placeholders'):
self.encoder_inputs = tf.placeholder(shape=(None, None, self.in_size),
dtype=tf.float32, name='encoder_inputs')
self.decoder_targets = tf.placeholder(shape=(None, None),
dtype=tf.int32, name='decoder_targets')
self.seqs_len = tf.placeholder(dtype=tf.int32)
self.batch_size = tf.placeholder(tf.int32, name='dynamic_batch_size')
self.max_len = tf.placeholder(tf.int32, name='dynamic_seq_len')
decoder_inputs = tf.reshape(self.decoder_targets, shape=(self.batch_size,
self.max_len, self.out_size))
self.decoder_inputs = tf.cast(decoder_inputs, tf.float32)
self.eos_step = tf.ones([self.batch_size, 1], dtype=tf.float32, name='EOS')
self.pad_step = tf.zeros([self.batch_size, 1], dtype=tf.float32, name='PAD')
def RNNCell(self):
c = self.cell_type(self.n_units, reuse=None)
c = rnn.MultiRNNCell([self.cell_type(self.n_units) for i in range(self.n_layers)])
return c
def init_cells(self):
with tf.variable_scope('RNN_enc_cell'):
self.encoder_cell = self.RNNCell()
with tf.variable_scope('RNN_dec_cell'):
self.decoder_cell = rnn.OutputProjectionWrapper(self.RNNCell(), self.n_symbols)
def encoder(self):
with tf.variable_scope('Encoder'):
self.init_state = self.encoder_cell.zero_state(self.batch_size, tf.float32)
_, self.encoder_final_state = tf.nn.dynamic_rnn(self.encoder_cell, self.encoder_inputs,
initial_state=self.init_state)