Question

给定训练有素的LSTM模型，我想对单个时间步执行推断，即在下面的示例中seq_length = 1 。在每个时间步之后，需要记住下一个“批”的内部LSTM（内存和隐藏）状态。对于推论的开始，内部LSTM状态init_c, init_h在给定输入的情况下进行计算。然后将它们存储在传递给LSTM的LSTMStateTuple对象中。在训练期间，此状态会在每个时间步更新。但是，为了进行推断，我希望state在批次之间保存，即，仅需要在最开始时计算初始状态，然后在每个“批次”（n = 1）之后保存LSTM状态。

我发现了这个与StackOverflow相关的问题： Tensorflow，在RNN中保存状态的最佳方法吗？。但是，这仅在state_is_tuple=False ，但是TensorFlow很快将弃用此行为（请参见rnn_cell.py ）。 Keras似乎有一个很好的包装器，可以使有状态的 LSTM成为可能，但是我不知道在TensorFlow中实现这一目标的最佳方法。 TensorFlow GitHub上的这个问题也与我的问题有关： https : //github.com/tensorflow/tensorflow/issues/2838

有人建议建立有状态的LSTM模型吗？

inputs  = tf.placeholder(tf.float32, shape=[None, seq_length, 84, 84], name="inputs")
targets = tf.placeholder(tf.float32, shape=[None, seq_length], name="targets")

num_lstm_layers = 2

with tf.variable_scope("LSTM") as scope:

    lstm_cell  = tf.nn.rnn_cell.LSTMCell(512, initializer=initializer, state_is_tuple=True)
    self.lstm  = tf.nn.rnn_cell.MultiRNNCell([lstm_cell] * num_lstm_layers, state_is_tuple=True)

    init_c = # compute initial LSTM memory state using contents in placeholder 'inputs'
    init_h = # compute initial LSTM hidden state using contents in placeholder 'inputs'
    self.state = [tf.nn.rnn_cell.LSTMStateTuple(init_c, init_h)] * num_lstm_layers

    outputs = []

    for step in range(seq_length):

        if step != 0:
            scope.reuse_variables()

        # CNN features, as input for LSTM
        x_t = # ... 

        # LSTM step through time
        output, self.state = self.lstm(x_t, self.state)
        outputs.append(output)