在张量流中，tf.nn.static_rnn和tf.nn.dynamic_rnn有什么区别，以及何时使用它们？
两者都采用sequence_length参数，该参数使计算适应输入的实际长度；并不是static_rnn限于固定大小的输入，对吧？
dynamic_rnn具有以下额外参数：
parallel_iterations swap_memory time_major 但是我想这些只是细微的差别。
那么tf.nn.static_rnn和tf.nn.dynamic_rnn之间的主要区别是什么，我们什么时候应该在另一个之上使用呢？
答案 0 :(得分：5)
这仍然是一个有用的资源（尽管几年前已经写过）： http://www.wildml.com/2016/08/rnns-in-tensorflow-a-practical-guide-and-undocumented-features/
Denny Britz在其中对静态/动态问题有以下评论：
静态
在内部，
tf.nn.rnn为固定RNN长度创建展开图。这意味着，如果使用具有200个时间步长的输入调用tf.nn.rnn，则将创建具有200个RNN步骤的静态图形。首先，图形创建很慢。其次，您无法传递比原来指定的更长的顺序（> 200）。
动态
tf.nn.dynamic_rnn解决了这个问题。当执行图形时，它使用tf.While循环来动态构造图形。这意味着图形创建速度更快，并且可以喂入可变大小的批处理。
一般而言，他得出结论，使用tf.nn.static_rnn并没有真正的好处，而且在大多数情况下，您需要使用tf.nn.dynamic_rnn
对于我所拥有的价值，我自己也有同样的经历。