Tensorflow整形和衬垫

我有一个2D

张量，每行包含一个数据点。数据的大小在图形生成时未知。我需要将数据张量转换为RNN的一批数据，作为三维张量，新元素用零填充。在图形构建时，序列长度和序列数都未知。序列长度是一个
tf。占位符
，数据张量是先前tf操作的输出。我该如何扭转这种局面

# Data
[[1 1]
 [1 1]
 [2 2]
 [3 3]
 [3 3]
 [3 3]]
# Sequence lengths
[2 1 3]

进入这个

[[[1 1]
  [1 1]
  [0 0]]

 [[2 2]
  [0 0]
  [0 0]]

 [[3 3]
  [3 3]
  [3 3]]]

tf.split
+
tf.pad
+
tf.concat
方法不起作用，因为在图形构建时序列的数量未知，
tf.split
要求
num\u或\u size\u splits
参数具有固定的形状

tf.dynamic\u partition
+
tf.stack
方法使用
tf生成的分区索引。而从序列长度生成的\u loop
不起作用，因为
tf.dynamic\u partitions
的
num\u partitions
参数需要是固定整数，而不是张量，而序列的数量在图形构建时是未知的

tf.scatter\u update
+
tf.使用
tf生成的行索引和行值重新塑造
方法。而从序列长度生成的\u loop
不起作用，因为
tf.scatter\u update
需要
变量
并且
变量
需要固定大小（数据张量的大小在图形构建时未知）

我可以在构建图时修复批大小，但这会导致在批大小更改时需要重建图，因此我不想这样做

这可能实现吗？
我刚刚问了一个类似的问题，并得到了答案。