我想从所有while_loop()次迭代中获得结果，以便tf.shape(result) == [batch_size, input_length]。
batch_size和input_length可能因小批量批量不同而不同，因此我会动态评估其形状。
我创建了这段代码：
batch_size = tf.shape(x)[0]
input_length = tf.shape(x)[1]
result = []
lstm = BasicLSTMCell(hidden_units)
cell = MultiRNNCell([lstm])
init_state = cell.zero_state(batch_size, dtype=tf.float32)
def body(i, x, result, state):
h, state = cell(x[:, i, :], state)
result.append(h)
i += 1
return i, x, result, state
def cond(i, *_):
return tf.less(i, input_length - 1)
_, _, result, state = tf.while_loop(cond, body, (i, x, result, init_state))
但Tensorflow隐式flatten()我传递给所有loop_vars，因此在2次迭代后，我的while_loop()输入的size_of为4，但输出的size_of为5（由于{{中的2个元素） 1}}变量）。
我尝试使用result，但它不起作用，可能是因为使用了常规的Python列表。但仍然 - 我无法提供该列表的确切大小（如果我愿意 - 这将是一个黑客攻击） - 因为它匹配迭代次数，这是使用{{1}后面的关键特征}根本 - 动态停止！
我不需要添加它，如果我只是重新分配这样的结果而不是将shape_invatiants附加到while_loop()列表，它可以正常工作：
h所以在我看来有点不合理 - 在大多数情况下result只是一个累加器，而不是迭代器！但是如果你想用它作为迭代器 - 它几乎可以防止你做到这一点......
任何人都知道如何处理它吗？我将非常感激。
我正在使用Tensorflow 1.5
修改
从TF github库中rnn.py的第749行，我了解到至少h, state = cell(x[:, i, :], state)
result = h
或while_loop()必须保持不变，但两者都不能batch
所以 - 如果你想动态计算RNN - 你应该为结果提供至少input_length参数，但是你的循环将在None之后停止（当你重塑输入max_input_length时到batch_size。这是对的吗？