数据集是在mnist上进行测试。先载入 Tensorflow、Numpy，以及Tensorflow自带的MNIST数据读取器。我们直接使用input_data.read_data_sets下载并读取mnist数据集。
import tensorflow as tf
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data
mnist=input_data.read_data_sets('/tmp/data',one_hot=True)
然后设为训练参数，我们设置学习速率为0.01（因为优化器将选择Adam，所以学习速率较低），最大训练样本数为40万，batch_size为128，同时设置每间隔10次训练就展示一次训练情况。
learning_rate=0.01
max_samples=400000
batch_size=128
display_step=10
因为mnist的图像尺寸为28x28，因此输入n_input为28（图像的宽），同时n_steps即LSTM的展开部署（unrolled steps of LSTM），也设置为28（图像的宽），这样图像的全部信息就都是用上了。这里是一次读取一行像素（28个像素点），然后下一个时间点再传入下一行像素点。这里n_hidden（LSTM的隐藏节点数）设为256，而n_classes（MNIST数据集的分类数目）则设为10。
n_input=28
n_steps=28
n_hidden=256
n_classes=10
我们创建输入x和学习目标y的place_holder。和使用卷积神经网络做分类时类似，这里输入x中每一个样本可直接使用二维的结构，而不必像MLP那样需要转为一维结构。和卷积网络中空间的二维不同，我们的样本被理解为一个时间序列，第一个维度是时间点n_steps,第二个维度是每个时间点的数据n_input。同时，我们设创建最后的SOFTMAX层的weights和biases，这里直接使用tf.random_normal初始化这些参数。因为是双向LSTM，有forward和backward两个LSTM的cell，所以weights的参数量也翻倍，变为2*n_hidden
x=tf.placeholder('float',[None,n_steps,n_input])
y=tf.placeholder('float',[None,n_classes])
weights=tf.Variable(tf.random_normal([2*n_hidden,n_classes]))
biases=tf.Variable(tf.random_normal([n_classes]))
下面电仪Bidirectional LSTM网络的生成函数。我们先对数据进行一些处理，把形状为（batch_size,n_steps,n_input）的输入编程长度为n_steps的列表,而其中元素形状为（batch_size,n_input）。然后输入进行转置，使用tf.transpose(x,[1,0,2])将第一个维度batch_size和第二个维度n_steps进行交换。接着使用tf.reshape将输入x变为（n_steps*batch_size,n_input）的形状，再使用tf.split将x拆为长度为n_steps的列表，列表中每个tensor的尺寸都是（batch_size,n_input），这样符合LSTM单元的输入格式。下面使用tf.contrib.rnn.BasicLSTMCell分别创建forward和backward的LSTM单元，它们的隐藏节点数都设为n_hidden，而forget_bias都设为1.然后直接将正向的lstm_fw_cell和反向的lstm_bw_cell传入Bi-RNN界都tf.nn.bidirectional_rnn中，生成双向LSTM,并传入x作为输入。最后对双向LSTM的输出结果outputs做一个矩阵乘法并加上偏置，这里的参数即为前面定义的weights和biases。
def BiRNN(x,weights,biases):
x=tf.transpose(x,[1,0,2])
x=tf.reshape(x,[-1,n_input])
x=tf.split(x,n_steps)
lstm_fw_cell=tf.contrib.rnn.BasicLSTMCell(n_hidden,forget_bias=1.0)
lstm_bw_cell=tf.contrib.rnn.BasicLSTMCell(n_hidden,forget_bias=1.0)
outputs,_,_=tf.contrib.rnn.static_bidirectional_rnn(lstm_fw_cell,lstm_bw_cell,x,dtype=tf.float32)
return tf.matmul(outputs[-1],weights)+biases
~
我们使用定义好的函数生成我们的Bidirectional LSTM网络，对最后输出的结果使用tf.nn.softmax_cross_entropy_with_logits进行Softmax处理并计算损失，然后使用tf.reduce_mean计算平均cost。我们定义优化器为Adam，学习速率即为前面定义的learning_rate。再使用tf.argmax得到模型预测的类别，然后用tf.equal判断是否预测准确。最后用tf.reduce_mean求得平均准确率。
pred=BiRNN(x,weights,biases)
cost=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred,labels=y))
optimizer=tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)
corrected_pred=tf.equal(tf.argmax(pred,1),tf.argmax(y,1))
accuracy=tf.reduce_mean(tf.cast(correct_pred,tf.float32))
init=tf.global_variables_initializer()
下面开始执行训练和测试操作。第一步是执行初始化参数，然后定义一个训练的循环，保持总训练样本数（迭代次数*batch_size）小于之前设定的值。在每一轮训练迭代中，我们使用mnist.train.next_batch拿到一个batch的数据并使用reshape改变其形状。接着，将包含输入x和训练目标y的feed_dict传入，执行一次训练操作并更新模型参数。每当迭代数为display_step的整数倍时，我们计算一次当前batch数据的预测准确率和loss并展示出来。
with tf.Session() as sess:
sess.run(init)
step=1
while step*batch_size < max_samples:
batch_x,batch_y=mnist.train.next_batch(batch_size)
batch_x=batch_x.reshape((batch_size,n_steps,n_input))
sess.run(optimizer,feed_dict={x:batch_x,y:batch_y})
if step % display_step==0:
acc=sess.run(accuracy,feed_dict={x:batch_x,y:batch_y})
loss=sess.run(cost,feed_dict={x:batch_x,y:batch_y})
print 'Iter '+str(step*batch_size)+ ',Minibatch Loss='+'{:.6f}'.format(loss)+',Training Accuracy= '+ '{:.5f}'.format(acc)
step+=1
print 'Optimizatin Finished!'
全部训练迭代结束后，我们使用训练好的模型，对mnist.test.images中全部的测试数据进行预测，并将准确率展示出来。
test_len=10000
test_data=mnist.test.images[:test_len].reshape((-1,n_steps,n_input))
test_label=mnist.test.labels[:test_len]
print 'Testing Accuracy:',sess.run(accuracy,feed_dict={x;test_data,y:test_label})
~
