tensorflow - 分别构建在 tensorflow API 和 keras API 上的两个代码块有什么不同？我的计算结果差距很大

Question

我正在建立一个模型来对序列类进行分类。首先，我使用 keras API 构建模型。众所周知，keras API 打包了 tensorflow 函数，但是当我将 keras 代码转换为 tensorflow API 时，我发现两个框架的结果是不同的。下面是关键代码。

张量流代码

x = tf.placeholder(tf.int32, shape=[None, time_steps], name='x_input')
y = tf.placeholder(tf.float32, shape=[None, num_classes], name='y_label')


定义网络结构
def rnn_model(x):
    x = tf.one_hot(x,api_vob_size)
    rnn_cell_fw = tf.nn.rnn_cell.BasicLSTMCell(rnn_size)
    rnn_cell_bw = tf.nn.rnn_cell.BasicLSTMCell(rnn_size)
    # 将输入送入rnn，得到输出与中间状态，输出shape为[batch_size, time_steps, rnn_size]
    outputs, states = tf.nn.bidirectional_dynamic_rnn(rnn_cell_fw,rnn_cell_bw, x, dtype=tf.float32)
    # 获取最后一个时刻的输出，输出shape为[batch_size, rnn_size]
    outputs1 = tf.concat(outputs, 2)
    output = tf.transpose(outputs1, [1, 0, 2])[-1]
    # 全连接层，最终输出大小为[batch_size, num_classes]
    fc_w = tf.Variable(tf.random_normal([2*rnn_size, num_classes]))
    fc_b = tf.Variable(tf.random_normal([num_classes]))
    return tf.matmul(output, fc_w) + fc_b `

# 构建网络
logits= rnn_model(x)
prediction = tf.nn.softmax(logits)

# 定义损失函数与优化器
loss_op = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(labels=y, logits=logits, name='cross_entropy'))
optimizer = tf.train.AdamOptimizer(learning_rate=lr)
train_op = optimizer.minimize(loss_op,name='optimizer_min')

#keras API

model = Sequential()
model.add(Bidirectional(LSTM(units=150), merge_mode='concat'))
model.add(Dense(9, activation='softmax'))

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(x_train, y_train, epochs=10, batch_size=64)

那么为什么两个代码块有不同的结果。谢谢你的答案 ！！！！

标签： tensorflowkeras