这里有一个概念上的障碍。使用tf.nn.dynamic_rnn创建LSTM。
示例：使用输入["The", "quick", "brown", "fox", "jumps", "over", "the", "lazy", "dog"]和使用num_unrollings = 4训练的下一个单词预测
如果我进行测试，发送一个展开（4个字长）的["The", "quick", "brown", "fox"]，我希望输出为["jumps"]。但是，输出也将是4个字长，因为输入和输出矢量形状必须匹配。因此，理想情况下，输出将为["quick", "brown", "fox", "jumps"]。是的，要问的太多了，因为仅看到单词"quick"之后，算法就无法返回"The"。并且，在这种情况下，在看到所有4个输入字之后，我们无法及时返回并将第一个输出字更新为“快速”。我们只能及时预测。
问题1：：输入X[0,1,2,3]返回y[0,1,2,3]。 y[0,1,2]的预测如何？在模型仅看到y[0]之后是否预测了X[0]？我应该期待["man","delivery","fox","jumps"]的第一个预测向量吗？
问题2：如何在测试中分批展开？如果我将其批处理为：
[["The", "quick", "brown", "fox"], ["jumps", "over", "the", "lazy"]]
我应该期望输出为：
["man","delivery","fox","jumps"],["high","the","fence","dog"]？
如果我以以下方式批处理：
[["The", "quick", "brown", "fox"], ["quick", "brown", "fox", "jumps"],["brown", "fox", "jumps", "over"]]
我应该期望输出为：
["man","delivery","fox","jumps"],["delivery","fox","jumps","over"],["bag", "jumps", "over", "the"]？
如何构造输入以获取（展平的）输出：
["quick", "brown", "fox", "jumps", "over", "the", "lazy", "dog"]？
我应该串联输出y[3]吗？
根据以下答案：Predicting the next word using the LSTM ptb model tensorflow example看来是这样。只是在寻找进一步的输入。