TensorFlow 2 中的堆叠双向 RNN 令人困惑答案

【问题标题】：Puzzled by stacked bidirectional RNN in TensorFlow 2TensorFlow 2 中的堆叠双向 RNN 令人困惑
【发布时间】：2020-10-18 00:34:53
【问题描述】：

我正在学习如何基于this TensorFlow 2 NMT tutorial 构建一个 seq2seq 模型，并且我正在尝试通过为编码器和解码器堆叠多个 RNN 层来扩展它。但是，我无法检索对应于编码器隐藏状态的输出。

这是我在编码器中构建堆叠双向GRUCell 层的代码：

# Encoder initializer
def __init__(self, n_layers, dropout, ...):
    ...
    gru_cells = [layers.GRUCell(units, 
                                recurrent_initializer='glorot_uniform',
                                dropout=dropout)
                 for _ in range(n_layers)]
    self.gru = layers.Bidirectional(layers.RNN(gru_cells,
                                               return_sequences=True,
                                               return_state=True))

假设以上是正确的，那么我调用我创建的层：

# Encoder call method
def call(self, inputs, state):
    ...
    list_outputs = self.gru(inputs, initial_state=state)
    print(len(list_outputs)) # test

list_outputs 在n_layers = 1 时的长度为 3，这是根据this SO post 的预期行为。当我将n_layers 增加一时，我发现输出的数量增加了二，我认为这是新层的正向和反向最终状态。所以 2 层 -> 5 个输出，3 层 -> 7 个输出，等等。但是，我无法弄清楚哪个输出对应于哪个层和哪个方向。

最终我想知道的是：如何在这个堆叠的双向 RNN 中获得 last 层的正向和反向最终状态？如果我正确理解了 seq2seq 模型，它们构成了传递给解码器的隐藏状态。

【问题讨论】：

标签： python keras tensorflow2.0 recurrent-neural-network

【解决方案1】：

在挖掘了RNN 和Bidirectional 类的TensorFlow 源代码后，我对堆叠双向RNN 层的输出格式的最佳猜测是以下1+2n 元组，其中n 是堆叠层数：

[0] 跨 RNN 的前向和后向状态串联
[1 : len//2 + 1] 前向层的最终状态，从第一个到最后一个
[len//2 + 1:] 反向层的最终状态，从第一个到最后一个

【讨论】：