Machine learning Tensorflow动态rnn类型错误：'；张量'；对象是不可编辑的

我正在尝试在TensorFlow中使用基本的LSTM。我收到以下错误：

TypeError:“Tensor”对象不可编辑。

令人不快的是：

rnn_outputs, final_state = tf.nn.dynamic_rnn(cell, x, sequence_length=seqlen,
                                            initial_state=init_state,)`  

我在Windows7上使用的是1.0.1版。我的输入和标签具有以下形状

x_形状=（50,40,18），y_形状=（50,40）

其中：

• 批量=50
• 序列长度=40
• 每一步的输入向量长度=18

我正在构建我的图表，如下所示

def build_graph(learn_rate, seq_len, state_size=32, batch_size=5):

    # use a fixed sequence length
    seqlen = tf.constant(seq_len, shape=[batch_size],dtype=tf.int32)

    # Placeholders
    x = tf.placeholder(tf.float32, [batch_size, None, 18])
    y = tf.placeholder(tf.float32, [batch_size, None])
    keep_prob = tf.constant(1.0)

    # RNN
    cell = tf.contrib.rnn.LSTMCell(state_size)
    init_state = tf.get_variable('init_state', [1, state_size],
                                initializer=tf.constant_initializer(0.0))
    init_state = tf.tile(init_state, [batch_size, 1])
    rnn_outputs, final_state = tf.nn.dynamic_rnn(cell, x, sequence_length=seqlen,
                                                initial_state=init_state,)

    # Add dropout, as the model otherwise quickly overfits
    rnn_outputs = tf.nn.dropout(rnn_outputs, keep_prob)

    # Prediction layer
    with tf.variable_scope('prediction'):
        W = tf.get_variable('W', [state_size, num_classes])
        b = tf.get_variable('b', [num_classes], initializer=tf.constant_initializer(0.0))

    preds = tf.tanh(tf.matmul(rnn_outputs, W) + b)

    # MSE
    loss = tf.square(tf.subtract(y, preds))

    # loss = tf.reduce_mean(tf.nn.sparse_softmax_cross_entropy_with_logits(logits, y))
    train_step = tf.train.AdamOptimizer(learn_rate).minimize(loss)

---

有人能告诉我我缺少什么吗？

序列长度应该是可计算的，例如列表或张量，而不是标量。具体来说，您需要将

序列长度=40

替换为每个输入的长度列表。例如，如果您的第一个序列有10个步骤，第二个13步和第三个18步，您将传入

[10，13，18]

。这让TensorFlow的动态RNN知道要展开多少步（我相信它在内部使用while循环）