我想处理不同形状的张量序列（列表）并输出另一张张量列表。在每个时间戳上考虑具有不同隐藏状态大小的RNN。像
这样的东西输入：[tf.ones（（1,2,2）），tf.ones（（2,2,3）），tf.ones（（3,2,1））]
输出：[tf.zeros（（1,2,4）），tf.zeros（（4,2,6）），tf.zeros（（6,2,1））]
我无法将输入（或输出）堆叠到单个张量中，因为它们都具有不同的形状，因此我不能将tf.map_fn用于任务。现在，我使用python for循环，但它似乎不是最理想的。
我能做些什么更好的事情吗？
答案 0 :(得分：2)
您可以使用tf.while_loop重复执行任意TensorFlow操作，直到出现某些停止条件。停止条件本身被指定为操作。
请注意，tf.while_loop应谨慎使用，因为默认情况下其迭代将并行运行。例如，如果循环体增加tf.Variable，则必须使用control dependencies来确保迭代按顺序运行。
但是，你提到你有一个Python循环的工作实现。如果可能，使用Python进行循环通常是最有效的解决方案。在Python中构建循环时，可以为循环中的每次迭代创建单独的ops。这让TensorFlow决定在图形构建中如何为每个操作分配计算资源。例如，如果事先知道迭代次数，则更容易预测内存需求和并行化可能性。
出于这个原因，tf.while_loop和tf.map_fn是最常用的，因为在图形构建时不知道停止条件。
如果存在固定但非常大量的迭代，您可能仍然希望使用tf.while_loop而不是Python循环，因为每个操作都有一个非常重要的内存成本。