我在rnn_ptb.py中建立了一个类似于PTB模型的类。展开时间步长时，出现如下错误：
文件 “ D：\ anaconda3 \ anaconda3 \ lib \ site-packages \ tensorflow \ python \ ops \ rnn_cell_impl.py”， 第1282行，在致电中 输出，new_state = self._cell（输入，状态，作用域=范围）
文件 “ D：\ anaconda3 \ anaconda3 \ lib \ site-packages \ tensorflow \ python \ ops \ rnn_cell_impl.py”， 第370行，在致电中 * args，** kwargs）
文件 “ D：\ anaconda3 \ anaconda3 \ lib \ site-packages \ tensorflow \ python \ layers \ base.py”， 第374行，在致电中 输出=超级（层，自我）。调用（输入，* args，** kwargs）
文件 “ D：\ anaconda3 \ anaconda3 \ lib \ site-packages \ tensorflow \ python \ keras \ engine \ base_layer.py”， 第746行，在致电中 self.build（input_shapes）
文件 “ D：\ anaconda3 \ anaconda3 \ lib \ site-packages \ tensorflow \ python \ keras \ utils \ tf_utils.py”， 包装中的第149行 output_shape = fn（instance，input_shape）
文件 “ D：\ anaconda3 \ anaconda3 \ lib \ site-packages \ tensorflow \ python \ ops \ rnn_cell_impl.py”， 923行，正在构建 shape = [input_depth + h_depth，4 * self._num_units]，
TypeError：只能将元组（不是“ int”）连接到元组
代码如下：
class trans_LSTM_model():
def __init__(self,is_training,batch_size,num_steps,input_size,output_size,\
hidden_size,num_layers,learning_rate,dropout_ratio):
self.batch_size = batch_size
self.num_steps = num_steps
self.input_size = input_size
self.hidden_size = hidden_size
self.keep_ratio = 1-dropout_ratio
self.inputs = tf.placeholder(tf.float32,[batch_size,num_steps,input_size])
self.targets = tf.placeholder(tf.float32,[batch_size,output_size])
lstm_cell = tf.nn.rnn_cell.LSTMCell(num_units=hidden_size,forget_bias=1.0)
if is_training:
lstm_cell = tf.nn.rnn_cell.DropoutWrapper(lstm_cell,output_keep_prob=self.keep_ratio)
#cell = tf.nn.rnn_cell.MultiRNNCell([lstm_cell]*num_layers,state_is_tuple=True)
cell = lstm_cell
self.initial_state = cell.zero_state(self.batch_size,tf.float32)
inputs = tf.unstack(self.inputs,num_steps,axis=1)
if is_training:
self.inputs = tf.nn.dropout(self.inputs,self.keep_ratio)
#print(inputs)
outputs = []
state = self.initial_state
print(cell.state_size)
print(state)
#outputs,state = tf.nn.dynamic_rnn(cell,[inputs],initial_state=state,dtype=tf.float32)
with tf.variable_scope('RNN',reuse=tf.AUTO_REUSE):
#该次循环计算一个batch中不同时间步的计算，即一个cell，透过率计算需要保存每个时间步的输出，因此outputs的所有数据都保存
for step in range(num_steps):
#print(inputs[step])
if step>0:
tf.get_variable_scope().reuse_variables()
(cell_output,state) = cell([inputs[step]],state)#需将inputs加一个括号，转为list,细节查看RNN
#cell_output,state = tf.nn.static_rnn(cell,inputs[step],initial_state=state,dtype=tf.float32)
outputs.append(cell_output)
self.final_state = state
outputs = np.array(outputs)
weights = tf.get_variable('weights',[hidden_size,output_size])
bias = tf.get_variable('bias',[output_size])
logits = tf.matmul(outputs,weights)+np.tile(bias,batch_size,axis=0) #查看如何保存每个cell的输出
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=logits,labels=self.targets))
if not is_training:
return
trainable_variables = tf.trainable_variables()
grads,_ = tf.clip_by_global_norm(tf.gradients(loss,trainable_variables),FLAGS.clip)
optimizer = tf.train.AdamOptimizer(learning_rate)
self.train_op = optimizer.apply_gradients(zip(grads,trainable_variables))
“（cell_output，state）= cell（[inputs [step]]，state）”错误
我只是不知道为什么会出现此错误。寻找一些答案。非常感谢。