我的问题： 我有一系列复杂的状态，我想预测未来的状态。
输入： 我有一系列的状态。每个序列可以是可变长度的。每个州都是一个时刻，由几个属性描述：[att1，att2，...]。其中每个属性是区间[[0..5]，[1..3651]，...]
之间的数字Seq2Seq的示例（和论文）基于每个状态（单词）取自其字典。因此每个州有大约80,000种可能性。但是，当从一组向量中获取每个状态时，您将如何表示每个状态，而该组只是属性的每个可能组合。
是否有任何方法可以使用TensorFlow处理更复杂的状态？另外，当输入长度和输出长度之间的关系不清楚时，什么是好的方法确定你的桶的边界？
答案 0 :(得分：4)
我可以建议将您的问题重新分类并分成两部分吗？第一个是一般的机器学习/ LSTM问题，它独立于张量流：如何使用LSTM来预测序列元素何时是一般向量，第二个是如何在张量流中表示这一点。对于前者 - 在那里做任何事都没有什么神奇之处。
但答案很快：你真的只是跳过了seq2seq的嵌入查找部分。您可以将密集张量输入到其适当修改的版本中 - 您的状态只是状态的密集向量表示。这与嵌入式查找相同。
vector representation tutorial讨论了预处理，例如，将单词转换为嵌入，以便在学习管道的后续部分中使用。
如果查看line 139 of seq2seq.py，您会看到embedding_rnn_decoder接受一批事情来决定（维度是批处理中的元素），但是然后使用嵌入查找将其转换为batch_size * cell.input_size张量。您希望直接在RNN中输入batch_size * cell.input_size张量，跳过嵌入步骤。