Tensorflow 如何使用“动态”创建动态“rnn”；零状态；（推理失败）

我一直在与“动态”合作创建一个模型

该模型基于80个时间段的信号，我想在每次运行之前将“初始_状态”归零，因此我设置了以下代码片段来实现这一点：

state = cell_L1.zero_state(self.BatchSize,Xinputs.dtype)
outputs, outState = rnn.dynamic_rnn(cell_L1,Xinputs,initial_state=state,  dtype=tf.float32)

这对培训过程非常有用。问题是，一旦我进入推断，其中我的BatchSize=1，我会返回一个错误，因为rnn“状态”与新形状不匹配。所以我认为我需要根据输入的批量大小来生成“self.BatchSize”，而不是硬编码。我尝试了许多不同的方法，但没有一种有效。我不希望通过feed_dict传递一串零，因为它是一个基于批量大小的常量

以下是我的一些尝试。它们通常都会失败，因为在构建图形时输入大小未知：

state = cell_L1.zero_state(Xinputs.get_shape()[0],Xinputs.dtype)

另一种方法是，认为初始值设定项可能在运行时才被调用，但在图形构建时仍然失败：

init = lambda shape, dtype: np.zeros(*shape)
state = tf.get_variable("state", shape=[Xinputs.get_shape()[0], self.state_size],initializer=init)

---

有没有一种方法可以动态地创建这个恒定的初始状态，或者我需要用tensor服务代码通过feed_dict重置它？是否有一种聪明的方法可以在图中只执行一次，可能是使用tf.Variable.assign？

问题的解决方案是如何获得“批量大小”，从而使变量不被硬编码

这是给定示例中的正确方法：

Xinputs = tf.placeholder(tf.int32, (None, self.sequence_size, self.num_params), name="input")
state = cell_L1.zero_state(Xinputs.get_shape()[0],Xinputs.dtype)

问题在于使用“get_shape（）[0]”，这将返回张量的“shape”，并将batch_size值取为[0]。文档似乎不太清楚，但这似乎是一个常量值，因此当您将图形加载到推理中时，该值仍然是硬编码的（可能仅在创建图形时计算？）

使用“tf.shape（）”函数，似乎可以达到目的。这不会返回形状，而是一个张量。因此，这似乎在运行时更新得更多。使用此代码片段解决了训练批次为128的问题，然后将图形加载到TensorFlow服务推理中，处理的批次仅为1

Xinputs = tf.placeholder(tf.int32, (None, self.sequence_size, self.num_params), name="input")
batch_size = tf.shape(Xinputs)[0]
state = self.cell_L1.zero_state(batch_size,Xinputs.dtype)

这里是TensorFlow常见问题解答的一个很好的链接，它描述了这种方法“如何构建一个适用于可变批量的图形？”：

Xinputs = tf.placeholder(tf.int32, (None, self.sequence_size, self.num_params), name="input")
batch_size = tf.shape(Xinputs)[0]
state = self.cell_L1.zero_state(batch_size,Xinputs.dtype)