Jak mogę zaimplementować niestandardowy RNN (w szczególności ESN) w Tensorflow?

Question

Próbuję zdefiniować własne RNNCell (Echo State Network) w Tensorflow, zgodnie z poniższą definicją.

x (t + 1) = tanh (Win * U (t) + W * x (t) + WFB * y (t))

y (t) = Wout * z (t)

z (t) = [x (t), u (t)]

x jest stanem, u jest wejściem, y jest wynikiem. Win, W i Wfb nie nadają się do treningu. Wszystkie masy są losowo inicjowane, a W jest modyfikowany w następujący sposób: „. Należy pewien procent elementów W 0, wagi W, aby utrzymać widmowej promień poniżej 1,0

że tego kodu do generowania równanie

x = tf.Variable(tf.reshape(tf.zeros([N]), [-1, N]), trainable=False, name="state_vector") 
W = tf.Variable(tf.random_normal([N, N], 0.0, 0.05), trainable=False) 
# TODO: setup W according to the ESN paper 
W_x = tf.matmul(x, W) 

u = tf.placeholder("float", [None, K], name="input_vector") 
W_in = tf.Variable(tf.random_normal([K, N], 0.0, 0.05), trainable=False) 
W_in_u = tf.matmul(u, W_in) 

z = tf.concat(1, [x, u]) 
W_out = tf.Variable(tf.random_normal([K + N, L], 0.0, 0.05)) 
y = tf.matmul(z, W_out) 
W_fb = tf.Variable(tf.random_normal([L, N], 0.0, 0.05), trainable=False) 
W_fb_y = tf.matmul(y, W_fb) 

x_next = tf.tanh(W_in_u + W_x + W_fb_y) 

y_ = tf.placeholder("float", [None, L], name="train_output") 

Mój problem jest dwojaki. Po pierwsze nie wiem jak zaimplementować to jako nadklasą RNNCell. Po drugie nie wiem jak wygenerować tensor w według powyższej specyfikacji.

Każda pomoc na temat któregokolwiek z tych pytań jest bardzo doceniane. Może uda mi się wymyślić sposób na przygotowanie W, ale na pewno jak diabli nie rozumiem, jak wdrożyć własne RNN jako nadklasa RNNCell.

Answer 1

dać szybkie podsumowanie:

spojrzeć w kodzie źródłowym TensorFlow pod python/ops/rnn_cell.py też sprawdzić jak podklasę RNNCell. Zazwyczaj jest to:

class MyRNNCell(RNNCell): 
    def __init__(...): 

    @property 
    def output_size(self): 
    ... 

    @property 
    def state_size(self): 
    ... 

    def __call__(self, input_, state, name=None): 
    ... your per-step iteration here ...