本文共 3825 字，大约阅读时间需要 12 分钟。

1.双向递归神经网络简介

双向递归神经网络（Bidirectional Recurrent Neural Networks， Bi-RNN）,是由Schuster和Paliwal于1997年首次提出的，和LSTM是在同一年被提出的。Bi-RNN的主要目标是增加RNN可利用的信息。RNN无法利用某个历史输入的未来信息，Bi-RNN则正好相反，它可以同时使用时序数据中某个输入的历史及未来数据。

感觉上面的图就很直观了，看箭头就可以很容易的发现有正向的箭头和反向的箭头，也就代表时序的不同。注意一点就是，我们发现正向节点和反向节点是不共用的，作为输出的时候是两个节点输出一个结果。

Bi-RNN中的每个RNN单元既可以是传统的RNN，也可以是LSTM单元或者GRU单元，同样也可以叠加多层Bi-RNN，进一步抽象的提炼出特征。如果最后使用作分类任务，我们可以将Bi-RNN的输出序列连接一个全连接层，或者连接全局平均池化Global Average Pooling，最后再接Softmax层，这部分和使用卷积神经网络部分一致，如果有不理解Softmax这些概念的建议看下cs231n系列的课程，里面的概念还是讲解的非常清晰的。

2.Bidirectional LSTM Classifier的代码实现

#coding:utf-8#代码主要是使用Bidirectional LSTM Classifier对MNIST数据集上进行测试#导入常用的数据库，并下载对应的数据集import tensorflow as tfimport numpy as np from tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets("/home/frr/Documents/git/my_tensorflow/MNIST_data", one_hot = True)#设置对应的训练参数learning_rate = 0.01max_samples = 400000batch_size = 128display_step = 10n_input = 28n_steps = 28n_hidden = 256n_classes = 10#创建输入x和学习目标y的placeholder，这里我们的样本被理解为一个时间序列，第一个维度是时间点n_step，第二个维度是每个时间点的数据n_inpt。同时，在最后创建Softmax层的权重和偏差x = tf.placeholder("float", [None, n_steps, n_input])y = tf.placeholder("float", [None, n_classes])weights = tf.Variable(tf.random_normal([2 * n_hidden, n_classes]))biases = tf.Variable(tf.random_normal([n_classes]))#定义Bidirectional LSTM网络的生成函数def BiRNN(x, weights, biases):    x = tf.transpose(x, [1, 0, 2])    x = tf.reshape(x, [-1, n_input])    x = tf.split(x, n_steps)    lstm_fw_cell = tf.contrib.rnn.BasicLSTMCell(n_hidden, forget_bias = 1.0)    lstm_bw_cell = tf.contrib.rnn.BasicLSTMCell(n_hidden, forget_bias = 1.0)    outputs, _, _ = tf.contrib.rnn.static_bidirectional_rnn(lstm_fw_cell,                                                            lstm_bw_cell, x,                                                            dtype = tf.float32)    return tf.matmul(outputs[-1], weights) + biases#使用tf.nn.softmax_cross_entropy_with_logits进行softmax处理并计算损失pred = BiRNN(x, weights, biases)cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits = pred, labels = y))optimizer = tf.train.AdamOptimizer(learning_rate = learning_rate).minimize(cost)correct_pred = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))init = tf.global_variables_initializer()#开始执行训练和测试操作with tf.Session() as sess:    sess.run(init)    step = 1    while step * batch_size < max_samples:        batch_x, batch_y = mnist.train.next_batch(batch_size)        batch_x = batch_x.reshape((batch_size, n_steps, n_input))        sess.run(optimizer, feed_dict = {x: batch_x, y: batch_y})        if step % display_step == 0:            acc = sess.run(accuracy, feed_dict = {x: batch_x, y: batch_y})            loss = sess.run(cost, feed_dict = {x: batch_x, y: batch_y})            print("Iter" + str(step * batch_size) + ", Minibatch Loss = " + \                "{:.6f}".format(loss) + ", Training Accuracy = " + \                "{:.5f}".format(acc))        step += 1    print("Optimization Finished!")    test_len = 10000    test_data = mnist.test.images[:test_len].reshape((-1, n_steps, n_input))    test_label = mnist.test.labels[:test_len]    print("Testing Accuracy:", sess.run(accuracy, feed_dict = {x: test_data, y: test_label})) 
 
  1 
  2 
  3 
  4 
  5 
  6 
  7 
  8 
  9 
  10 
  11 
  12 
  13 
  14 
  15 
  16 
  17 
  18 
  19 
  20 
  21 
  22 
  23 
  24 
  25 
  26 
  27 
  28 
  29 
  30 
  31 
  32 
  33 
  34 
  35 
  36 
  37 
  38 
  39 
  40 
  41 
  42 
  43 
  44 
  45 
  46 
  47 
  48 
  49 
  50 
  51 
  52 
  53 
  54 
  55 
  56 
  57 
  58 
  59 
  60 
  61 
  62 
  63 
  64 
  65 
  66 
  67 
  68 
  69 
  70 
  71 
  72 
  73

Bidirectional LSTM Classifier在MNIST数据集上的表现虽然不如卷积神经网络，但也达到了一个很不错的水平，LZ亲测正确率在0.980左右哦O(∩_∩)O