インポートtensorflow AS TF から tensorflow.examples.tutorials.mnist インポートINPUT_DATA ＃1 負荷データが設定 MNIST = input_data.read_data_sets（" MNIST_data / "、one_hot = TRUE） ＃の入力画像が28 * 28である n_inputs = 28 ＃入力ライン、ライン28データがある = 28 MAX_TIME ＃合計28行は lstm_size = 100 ＃隠れ層 n_classes = 10 ＃10カテゴリ BATCH_SIZE = 50 ＃50サンプルの各バッチについて // = BATCH_SIZEのn_batch mnist.train.num_examples 位数の合計を算出しますロット ＃どれも最初の寸法は任意の長さでも示していません tf.placeholder = X（tf.float32、[なし]、[784 ]） ＃正しいラベル Y = tf.placeholder（tf.float32、[なし]、[10 ]） ＃の初期重み 重み= tf.Variable（tf.truncated_normal（ [lstm_size、n_classes]、STDDEV = 0.1 ））＃ の初期値妄想 バイアス= tf.Variable（tf.constant（0.1、形状= [n_classes]）） ＃がRNNネットワーク定義 DEF RNN（X-、重量、バイアス）： 入力 = tf.reshape（X-、[ - 1 、MAX_TIME、n_inputs]） ＃は、実質的に細胞LSTMを定義 lstm_cell = tf.contrib.rnn.BasicLSTMCell（lstm_size） を出力し、final_state = tf.nn.dynamic_rnn（lstm_cell、入力、DTYPE = TFを。 float32） 結果tf.nn.softmax =（tf.matmul（final_state [1]、重み）+ バイアス） リターン結果 ＃計算結果がRNN返さ =予測をRNN（X、重み、バイアス） ＃の損失関数 cross_entropy = tf.reduce_mean（TF。 nn.softmax_cross_entropy_with_logits（= logits予測、ラベル= Y）） ＃を使用AdamOptimizer最適化 trian_step tf.train.AdamOptimizer =（4-1E ）.minimize（cross_entropy） ＃のブールリストに保存結果を correct_prediction = tf.equal（ tf.argmax（Y ,. 1）、tf.argmax（予測,. 1）） ＃テンソル位置の最大値の一次元位置にARGMAX復帰 ＃精度を求める = tf.reduce_mean accuarcy（tf.cast（correct_prediction、 tf.float32） ）＃把correct_prediction变为のfloat32类型 ＃初始化 INIT = tf.global_variables_initializer（） のSESとしてtf.Session（）を有する： sess.run（INIT） のためのエポックにおける範囲（6 ） のためのバッチにおける範囲（n_batch）： batch_xs、batch_ys = mnist.train.next_batch（BATCH_SIZE） sess.run（trian_step、feed_dict = {X：batch_xs、Y：batch_ys}） ACC = sess.run（accuarcy、feed_dict = {X：mnist.test.images、Y：mnist.test .labels}） プリント（" イーター" + STR（エポック）+ "、テストAccuarcy = " + STR（ACC））
結果：
