tensorflow和pytorch關于RNN的對比：
tf.nn.dynamic_rnn很難理解，他的意思只是用數據走一遍你搭建的RNN網絡。
可以明顯看出pytorch封裝更高，更容易理解，動態圖的優勢。

## tensorflow # RNN # num_units=64代表h_t,c_t的維度 rnn_cell = tf.contrib.rnn.BasicLSTMCell(num_units=64) # 這個累加的lstm_multi ，相當于pytorch里面的num_layers=3 stacked_rnn=[] for i in range(3):stacked_rnn.append(rnn_cell ) lstm_multi = tf.contrib.rnn.MultiRNNCell(stacked_rnn)# tf.nn.dynamic_rnn這個就是在嚇唬你，就是把batch放入lstm_multi里面跑，跑完后的各個time-step的輸出 # 和最后一步的h_t,c_t，相當于r_out, (h_n, h_c) = self.rnn(x, None)，只不過tensorflow需要提前建好圖 outputs, (h_c, h_n) = tf.nn.dynamic_rnn(lstm_multi , # cell you have chosenimage, # inputinitial_state=None, # the initial hidden statedtype=tf.float32, # must given if set initial_state = Nonetime_major=False, # False: (batch, time step, input); True: (time step, batch, input) )## pytorch # hidden_sizeself.rnn = nn.LSTM( # if use nn.RNN(), it hardly learnsinput_size=INPUT_SIZE,hidden_size=64, # rnn hidden unitnum_layers=3, # number of rnn layerbatch_first=True, # input & output will has batch size as 1s dimension. e.g. (batch, time_step, input_size))r_out, (h_n, h_c) = self.rnn(x, None) # None represents zero initial hidden state 與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的深度学习总结：tensorflow和pytorch关于RNN的对比,tf.nn.dynamic_rnn,nn.LSTM的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。