如果假设我有一个训练有素的RNN（例如语言模型），并且我想看看它自己会产生什么，我应该如何将其输出反馈给它的输入？
我阅读了以下相关问题：
理论上我很清楚，在tensorflow中我们使用截断的反向传播，所以我们必须定义我们想要“追踪”的最大步骤。我们还为批次保留了一个维度，因此如果我想训练一个正弦波，我必须输入[None, num_step, 1]输入。
以下代码有效：
tf.reset_default_graph()
n_samples=100
state_size=5
lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(state_size, forget_bias=1.)
def_x = np.sin(np.linspace(0, 10, n_samples))[None, :, None]
zero_x = np.zeros(n_samples)[None, :, None]
X = tf.placeholder_with_default(zero_x, [None, n_samples, 1])
output, last_states = tf.nn.dynamic_rnn(inputs=X, cell=lstm_cell, dtype=tf.float64)
pred = tf.contrib.layers.fully_connected(output, 1, activation_fn=tf.tanh)
Y = np.roll(def_x, 1)
loss = tf.reduce_sum(tf.pow(pred-Y, 2))/(2*n_samples)
opt = tf.train.AdamOptimizer().minimize(loss)
sess = tf.InteractiveSession()
tf.global_variables_initializer().run()
# Initial state run
plt.show(plt.plot(output.eval()[0]))
plt.plot(def_x.squeeze())
plt.show(plt.plot(pred.eval().squeeze()))
steps = 1001
for i in range(steps):
p, l, _= sess.run([pred, loss, opt])
LSTM的状态大小可以变化，我也尝试将正弦波馈入网络和零，并且在两种情况下它都在~500次迭代中收敛。到目前为止，我已经了解到，在这种情况下，图表包含n_samples数量的LSTM单元共享其参数，我只能将输入作为时间序列输入到我这里。但是，在生成样本时，网络明确取决于其先前的输出 - 这意味着我无法立即提供展开的模型。我尝试在每一步计算状态和输出：
with tf.variable_scope('sine', reuse=True):
X_test = tf.placeholder(tf.float64)
X_reshaped = tf.reshape(X_test, [1, -1, 1])
output, last_states = tf.nn.dynamic_rnn(lstm_cell, X_reshaped, dtype=tf.float64)
pred = tf.contrib.layers.fully_connected(output, 1, activation_fn=tf.tanh)
test_vals = [0.]
for i in range(1000):
val = pred.eval({X_test:np.array(test_vals)[None, :, None]})
test_vals.append(val)
然而，在该模型中，似乎LSTM细胞之间没有连续性。这里发生了什么？
我是否必须使用100个时间步骤初始化零数组，并将每个运行的结果分配给数组？就像喂网络一样：
跑0：input_feed = [0, 0, 0 ... 0]; res1 = result
跑1：input_feed = [res1, 0, 0 ... 0]; res2 = result
跑1：input_feed = [res1, res2, 0 ... 0]; res3 = result
等等...
如果我想使用这个训练有素的网络在下一个时间步骤中使用自己的输出作为输入，该怎么办？
如果我理解正确，你想找到一种方法来输出时间步长t的输出作为时间步长t+1的输入，对吧？为此，您可以在测试时使用相对简单的工作：
None。tf.nn.dynamic_rnn（您在发布的示例中执行此操作）。dynamic_rnn。即，将模型的定义更改为以下内容：
lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(state_size, forget_bias=1.)
X = tf.placeholder_with_default(zero_x, [None, None, 1]) # [batch_size, seq_length, dimension of input]
batch_size = tf.shape(self.input_)[0]
initial_state = lstm_cell.zero_state(batch_size, dtype=tf.float32)
def_x = np.sin(np.linspace(0, 10, n_samples))[None, :, None]
zero_x = np.zeros(n_samples)[None, :, None]
output, last_states = tf.nn.dynamic_rnn(inputs=X, cell=lstm_cell, dtype=tf.float64,
initial_state=initial_state)
pred = tf.contrib.layers.fully_connected(output, 1, activation_fn=tf.tanh)
然后你可以这样执行推理：
fetches = {'final_state': last_state,
'prediction': pred}
toy_initial_input = np.array([[[1]]]) # put suitable data here
seq_length = 20 # put whatever is reasonable here for you
# get the output for the first time step
feed_dict = {X: toy_initial_input}
eval_out = sess.run(fetches, feed_dict)
outputs = [eval_out['prediction']]
next_state = eval_out['final_state']
for i in range(1, seq_length):
feed_dict = {X: outputs[-1],
initial_state: next_state}
eval_out = sess.run(fetches, feed_dict)
outputs.append(eval_out['prediction'])
next_state = eval_out['final_state']
# outputs now contains the sequence you want
请注意，这也适用于批次，但如果您在同一批次中使用不同长度的序列，则可能会更复杂一些。
如果您不仅要在测试时进行此类预测，还要在训练时进行此类预测，也可以这样做，但实现起来要复杂一些。
您可以使用自己的输出（最后一个状态）作为下一步输入（初始状态）。一种方法是：
第二个可以通过以下任一方式完成：
我知道我有点迟到了，但我认为这个要点可能有用：
https://gist.github.com/CharlieCodex/f494b27698157ec9a802bc231d8dcf31
它允许您通过过滤器自动输入输入并作为输入返回到网络。为了使形状匹配，processing可以设置为tf.layers.Dense层。
请问任何问题！
编辑：
在您的特定情况下，创建一个lambda，它将dynamic_rnn输出处理到您的字符向量空间。例如：
# if you have:
W = tf.Variable( ... )
B = tf.Variable( ... )
Yo, Ho = tf.nn.dynamic_rnn( cell , inputs , state )
logits = tf.matmul(W, Yo) + B
...
# use self_feeding_rnn as
process_yo = lambda Yo: tf.matmul(W, Yo) + B
Yo, Ho = self_feeding_rnn( cell, seed, initial_state, processing=process_yo)