Python LSTM单元上的Tensorflow LSTM矩阵乘法

我正在用Tensorflow制作一个LSTM神经网络

输入张量大小为92

import tensorflow as tf
from tensorflow.contrib import rnn
import data

test_x, train_x, test_y, train_y = data.get()

# Parameters
learning_rate = 0.001
epochs = 100
batch_size = 64
display_step = 10

# Network Parameters
n_input = 28   # input size
n_hidden = 128 # number of hidden layers
n_classes = 20 # output size

# Placeholders
x = tf.placeholder(dtype=tf.float32, shape=[None, n_input])
y = tf.placeholder(dtype=tf.float32, shape=[None, n_classes])

# Network
def LSTM(x):
    W = tf.Variable(tf.random_normal([n_hidden, n_classes]), dtype=tf.float32) # weights
    b = tf.Variable(tf.random_normal([n_classes]), dtype=tf.float32) # biases

    x_shape = 92

    x = tf.transpose(x)
    x = tf.reshape(x, [-1, n_input])
    x = tf.split(x, x_shape)

    lstm = rnn.BasicLSTMCell(
        num_units=n_hidden,
        forget_bias=1.0
    )
    outputs, states = rnn.static_rnn(
        cell=lstm,
        inputs=x,
        dtype=tf.float32
    )

    output = tf.matmul( outputs[-1], W ) + b

    return output

# Train Network
def train(x):
    prediction = LSTM(x)

    with tf.Session() as sess:
        sess.run(tf.global_variables_initializer())
        output = sess.run(prediction, feed_dict={"x": train_x})
        print(output)

train(x)

我没有得到任何错误，但我输入了一个大小为92的输入张量，LSTM函数中的矩阵乘法返回一个包含一个结果向量的列表，当所需的量为92时，每个输入一个结果向量

问题是我只对输出数组中的最后一项进行矩阵相乘吗？像这样：

output = tf.matmul( outputs[-1], W ) + b

而不是：

output = tf.matmul( outputs, W ) + b

这是我在执行后一种操作时遇到的错误：

ValueError: Shape must be rank 2 but is rank 3 for 'MatMul' (op: 'MatMul') with input shapes: [92,?,128], [128,20].

---

静态神经网络，用于构造最简单的递归神经网络。因此，它的输入应该是张量序列。假设你想输入4个单词，分别叫“嗨”，“你好”，“是吗”，“你”。因此，您的输入占位符应该由对应于每个单词的四个n（每个输入向量的大小）维向量组成

我想你的占位符有问题。您应该使用RNN的输入数对其进行初始化。28是每个向量中的维数。我相信92是序列的长度。（更像92 lstm单元）

在输出列表中，您将获得一组向量，这些向量等于序列的长度，每个向量的大小等于隐藏单元的数量