转自:http://blog.csdn.net/wuzqchom/article/details/75453327
使用tensorflow.nn.bidirectional_dynamic_rnn()这个函数，就可以很方便的实现双向LSTM，很简洁。
首先来看一下，函数：
def bidirectional_dynamic_rnn( cell_fw, # 前向RNN cell_bw, # 后向RNN inputs, # 输入 sequence_length=None,# 输入序列的实际长度（可选，默认为输入序列的最大长度） initial_state_fw=None, # 前向的初始化状态（可选） initial_state_bw=None, # 后向的初始化状态（可选） dtype=None, # 初始化和输出的数据类型（可选） parallel_iterations=None, swap_memory=False, time_major=False, # 决定了输入输出tensor的格式：如果为true, 向量的形状必须为 `[max_time, batch_size, depth]`. # 如果为false, tensor的形状必须为`[batch_size, max_time, depth]`. scope=None ) 返回值： 一个(outputs, output_states)的元组 其中， 1. outputs为(output_fw, output_bw)，是一个包含前向cell输出tensor和后向cell输出tensor组成的元组。假设 time_major=false,tensor的shape为[batch_size, max_time, depth]。实验中使用tf.concat(outputs, 2)将其拼接。 2. output_states为(output_state_fw, output_state_bw)，包含了前向和后向最后的隐藏状态的组成的元组。 output_state_fw和output_state_bw的类型为LSTMStateTuple。 LSTMStateTuple由（c，h）组成，分别代表memory cell和hidden state。
而cell_fw和cell_bw的定义是完全一样的。如果这两个cell选LSTM cell整个结构就是双向LSTM了。
# lstm模型 正方向传播的RNN lstm_fw_cell = tf.nn.rnn_cell.BasicLSTMCell(embedding_size, forget_bias=1.0) # 反方向传播的RNN lstm_bw_cell = tf.nn.rnn_cell.BasicLSTMCell(embedding_size, forget_bias=1.0)
但是看来看去，输入两个cell都是相同的啊？
其实在bidirectional_dynamic_rnn函数的内部，会把反向传播的cell使用array_ops.reverse_sequence的函数将输入的序列逆序排列，使其可以达到反向传播的效果。
在实现的时候，我们是需要传入两个cell作为参数就可以了：
(outputs, output_states) = tf.nn.bidirectional_dynamic_rnn(lstm_fw_cell, lstm_bw_cell, embedded_chars, dtype=tf.float32)
embedded_chars为输入的tensor，[batch_szie, max_time, depth]。batch_size为模型当中batch的大小，应用在文本中时，max_time可以为句子的长度（一般以最长的句子为准，短句需要做padding），depth为输入句子词向量的维度。
当然你也可以使用循环的方式，时长为句子的长度，每一次都以上一时刻（假设一词为句子的基本单位的话，即上一个词）的隐藏状态和当前时刻的tensor为输入，但是这样写的时候相对会比较麻烦，若使用bidirectional_dynamic_rnn()则会清爽很多。
本篇仅仅是在应用接口层面介绍了bidirectional_dynamic_rnn，内部实现并没有做过多的探讨，dynamic_rnn()函数也有一些工程上的优化，比如加入buckets机制。
具体解释见知乎问题：tensorflow中的seq2seq例子为什么需要bucket？贾杨清的回答。
另外关于dynamic_rnn和普通的rnn区别可见另外一个
知乎问题: tensor flow dynamic_rnn 与rnn有啥区别？