Machine learning 如何更改Tensorflow RNN模型中的最大序列长度？

我目前正在尝试调整我的tensorflow分类器，它能够将单词序列标记为正或负，以处理更长的序列，而无需再培训。我的型号是RNN，最大序列长度为210。一个输入就是一个单词（300 dim），我用谷歌word2vec对这些单词进行了矢量化，所以我可以输入最多210个单词的序列。现在我的问题是，如何将最大序列长度更改为3000，以便对电影评论进行分类

我的最大固定序列长度为210的工作模式（tf_版本：1.1.0）：

我已经尝试过的修改：

1用None替换n_块，只需输入数据

x = tf.placeholder(tf.float32, [None,None,300])
#model fails to build
#ValueError: The last dimension of the inputs to `Dense` should be defined. 
#Found `None`.
# at *1

...
#all entrys in word_vecs still have got the same length for example 
#3000(batch_size*3000(!= n_chunks)*300)
pred = tf.nn.softmax(logits)
pred = sess.run(pred,feed_dict={x:word_vecs, seq_length:sq_l})

2更改x，然后恢复旧模型：

x = tf.placeholder(tf.float32, [None,n_chunks*10,chunk_size]
...
saver = tf.train.Saver(tf.all_variables(), reshape=True)
saver.restore(sess,"...")
#fails as well:
#InvalidArgumentError (see above for traceback): Input to reshape is a 
#tensor with 420000 values, but the requested shape has 840000
#[[Node: save/Reshape_5 = Reshape[T=DT_FLOAT, Tshape=DT_INT32, 
#_device="/job:localhost/replica:0/task:0/cpu:0"](save/RestoreV2_5, 
#save/Reshape_5/shape)]]

# run prediction

---

如果可能的话，你能给我提供一个有效的例子或者解释一下为什么它不是？

我只是想知道你为什么不给n_块赋值3000

---

在您的第一次尝试中，您不能使用两个“无”，因为tf无法确定每个维度要放置多少个维度。第一个维度设置为无，因为它取决于批次大小。在第二次尝试中，您只需更改一个位置，使用n_块的其他位置可能与x占位符冲突

谢谢你的回答，我没有将n_chunks设置为3000，因为训练不需要，因为最大序列长度是210。如果我将n_chunks设置为3000，我必须用0个向量填充所有输入，使其适合，因此训练过程在计算上会变得非常昂贵，如果我有一个超过n_chunks的序列，我必须重新开始。在我的第二次尝试中，我改变了其他地方，也有n_块，我只是忘了提到它。

x = tf.placeholder(tf.float32, [None,n_chunks*10,chunk_size]
...
saver = tf.train.Saver(tf.all_variables(), reshape=True)
saver.restore(sess,"...")
#fails as well:
#InvalidArgumentError (see above for traceback): Input to reshape is a 
#tensor with 420000 values, but the requested shape has 840000
#[[Node: save/Reshape_5 = Reshape[T=DT_FLOAT, Tshape=DT_INT32, 
#_device="/job:localhost/replica:0/task:0/cpu:0"](save/RestoreV2_5, 
#save/Reshape_5/shape)]]

# run prediction