Bir değişkenin son durumunu Tensorflow'taki sonraki durum olarak nasıl kullanılır?

Question

Öğrenme amaçları için, Tensorflow'da kendi LSTM modelimi oluşturmak istiyorum. Sorun şu ki, belirli bir zaman dilimindeki devletler, önceki zaman dilimindeki durumları kullanarak başlangıç ​​durumuna getirilecek şekilde eğitilmelidir. Tensorflow'da bunun için bir mekanizma var mı?

class Lstm: 

    def __init__(self, x, steps): 
     self.initial = tf.placeholder(tf.float32, [None, size]) 
     self.state = self.initial 
     for _ in range(steps): 
      x = self.layer_lstm(x, 100) 
     x = self.layer_softmax(x, 10) 
     self.prediction = x 

    def step_lstm(self, x, size): 
     stream = self.layer(x, size) 
     input_ = self.layer(x, size) 
     forget = self.layer(x, size, bias=1) 
     output = self.layer(x, size) 
     self.state = stream * input_ + self.state * forget 
     x = self.state * output 
     return x 

    def layer_softmax(self, x, size): 
     x = self.layer(x, size) 
     x = tf.nn.softmax(x) 
     return x 

    def layer(self, x, size, bias=0.1): 
     in_size = int(x.get_shape()[1]) 
     weight = tf.Variable(tf.truncated_normal([in_size, size], stddev=0.1)) 
     bias = tf.Variable(tf.constant(bias, shape=[size])) 
     x = tf.matmul(x, weight) + bias 
     return x 

Answer 1

@danijar - Bir alt grafiği çağrıları arasında durumu korumak için nasıl basit bir örnek olarak this page arasında 'Değişkenleri' bölümüne bakmak isteyebilirsiniz.