Python Tensorflow中的生成序列

我使用下面的代码作为一种方法来生成一系列长度

num\u步骤

给定的

起始点

和

起始状态

，使用

RNNCell

的实例，例如

cell=GRUCell（神经元的数量）

但这对于我的用例来说是缓慢而繁琐的，因为

num\u steps=1000

。即使实例化图形也要花费很长时间

这个功能是否存在于Tensroflow中的某个地方，而我只是错过了它

请注意，我所寻找的与

tf.contrib.rnn.static\u rnn

的行为类似，但不同。将此函数的行为总结为仅将RNN按顺序应用于每个时间步：

state = cell.zero_state(...)
  outputs = []
  for input_ in inputs:
    output, state = cell(input_, state)
    outputs.append(output)
  return (outputs, state)

---

但在我的例子中，我希望将一个步骤的输出作为下一个步骤的输入。

在tensorflow nightly构建中，请参阅tf.contrin.seq2seq以了解动态解码器对象。您可以使用定时采样帮助器执行所需操作。或者使用tf.nn.dynamic_rnn并将所有零作为输入。lstm h状态也是lstm输出，因此您得到的行为与您想要的基本相同。

谢谢您的回答（+1）。我注意到r1.1中添加了这些内容，但它们的用法完全不透明。例如，什么是解码器对象？什么是辅助对象？为什么我也需要？他们是干什么的？现在，我已经通过提供

loop\u fn=lambda prev，I:prev

来使用

legacyseq2seq.rnn\u decode

对我想要的行为进行了修改，但仍然很慢。我们正在编写教程。现在，请看单元测试的用法示例。nighties稍微改变了API，所以我建议使用它们。

state = cell.zero_state(...)
  outputs = []
  for input_ in inputs:
    output, state = cell(input_, state)
    outputs.append(output)
  return (outputs, state)