Tensorflow，ValueError：这两种结构不'；没有相同的嵌套结构 将tensorflow导入为tf vocab_num=4000 单词尺寸=300 问题编码=无 答案_num=1000 普通尺寸=256 内存尺寸=256 问题_encode=tf.placeholder( tf.int64，[None，None]，'question_encode'） 使用tf.variable_作用域（“嵌入”）： 嵌入矩阵=tf.get\u变量( “嵌入矩阵”， [vocab_num，word_dim]，正则化器=tf.nn.l2_损失） 问题嵌入=tf.nn.embedding\u查找( 嵌入矩阵，问题编码，name='word\u嵌入'） 打印（“问题嵌入”，问题嵌入） shape=tf.shape（问题编码） 批次大小=形状[0] 问题长度=tf.常数（15） time=tf.constant（0，name='time'） 最大长度=tf.常数（20） q_cell=tf.nn.rnn_cell.LSTMCell（单词） q_状态=q_单元格。零_状态（批量大小，tf.float32） word\u embed\u W=tf.get\u变量（'word\u embed\u W'，[word\u dim，common\u dim]，正则化器=tf.nn.l2\u loss） word\u embed\u b=tf.get\u变量（'word\u embed\u b'，[common\u dim]） 单词嵌入=问题嵌入[：，时间] out=tf.ones（（1256）） 时间=tf常数（0） out=tf.zero（（最大长度-问题长度，256）） 定义一个步骤（时间、q状态、单词列表）： “”“模型的一个时间步。”“” 单词嵌入=问题嵌入[：，时间] 使用tf.variable_scope（'lstm_q'）： q_输出，q_状态=q_单元（字嵌入，q_状态） 使用tf.name_scope（'transform_w'）： word=tf.nn.xw\u加上( 单词嵌入，单词嵌入W，单词嵌入b） word=tf.nn.tanh（word） 单词列表=tf.concat（[单词列表，单词]，轴=0） 返回时间+1，q_状态，单词列表 #主回路 时间，q_状态，out_u=tf.while_循环( cond=λ时间，*\时间

出现问题时：

import tensorflow as tf

vocab_num = 4000
word_dim = 300
question_encode = None
answer_num = 1000
common_dim = 256
memory_dim = 256

question_encode = tf.placeholder(
    tf.int64, [None, None], 'question_encode')
with tf.variable_scope('embedding'):
    embedding_matrix = tf.get_variable(
        'embedding_matrix',
        [vocab_num, word_dim], regularizer=tf.nn.l2_loss)
    question_embedding = tf.nn.embedding_lookup(
        embedding_matrix, question_encode, name='word_embedding')
    print('question_embedding', question_embedding)

shape = tf.shape(question_encode)
batch_size = shape[0]
question_length = tf.constant(15)
time = tf.constant(0, name='time')
max_length = tf.constant(20)
q_cell = tf.nn.rnn_cell.LSTMCell(word_dim)
q_state = q_cell.zero_state(batch_size, tf.float32)

word_embed_W = tf.get_variable('word_embed_W', [word_dim, common_dim], regularizer=tf.nn.l2_loss)
word_embed_b = tf.get_variable('word_embed_b', [common_dim])
word_embedding = question_embedding[:, time]
out_ = tf.ones((1, 256))

time = tf.constant(0)
out = tf.zeros((max_length - question_length, 256))

def _one_step(time, q_state, word_list):
    """One time step of model."""
    word_embedding = question_embedding[:, time]
    with tf.variable_scope('lstm_q'):
        q_output, q_state = q_cell(word_embedding, q_state)
    with tf.name_scope('transform_w'):
        word = tf.nn.xw_plus_b(
            word_embedding, word_embed_W, word_embed_b)
        word = tf.nn.tanh(word)
    word_list = tf.concat([word_list, word], axis=0)

    return time + 1, q_state, word_list

# main loop
time, q_state, out_ = tf.while_loop(
    cond=lambda time, *_: time < question_length,
    body=_one_step,
    loop_vars=[time, q_state, out_],
    shape_invariants=[time.get_shape(), tf.TensorShape([None, 256])]
)

word_list = tf.concat([out_, out], axis=0)
sess = tf.Session()
sess.run(tf.global_variables_initializer())
res = sess.run(out)

ValueError:这两个结构没有相同的嵌套结构。
第一个结构：type=list str=[，LSTMStateTuple（c=，h=），]
第二种结构：type=list str=[TensorShape（[]），TensorShape（[Dimension（None），Dimension（256）]）]

我试图实现的是一个矩阵，每个单词拼接在一起，但随着q_状态的改变，结果证明是错误的

但是我试过很多方法都是错误的，所以我希望得到你的帮助 但是我试过很多方法都是错误的，所以我希望得到你的帮助

---

但是我试过很多方法都是错误的，所以我希望得到你的帮助。你输入的变量是三个，而形状不变量是两个。因此，错误显示两个结构没有相同的嵌套结构。您只需要添加

q\u state

的结构

ValueError: The two structures don't have the same nested structure.

First structure: type=list str=[<tf.Tensor 'Const_2:0' shape=() dtype=int32>, LSTMStateTuple(c=<tf.Tensor 'LSTMCellZeroState/zeros:0' shape=(?, 300) dtype=float32>, h=<tf.Tensor 'LSTMCellZeroState/zeros_1:0' shape=(?, 300) dtype=float32>), <tf.Tensor 'ones:0' shape=(1, 256) dtype=float32>]

Second structure: type=list str=[TensorShape([]), TensorShape([Dimension(None), Dimension(256)])]

#主回路
时间，q_状态，out_u=tf.while_循环(
cond=λ时间，*\时间<问题长度，
正文=_一步，
循环变量=[时间，q状态，输出]，
shape_不变量=[time.get_shape（）
，tf.nn.rnn_cell.LSTMStateTuple（tf.TensorShape（[None，300]），tf.TensorShape（[None，300]））
，tf.TensorShape（[None，256]）]
)

@YangBinWei很乐意帮忙。如果答案解决了你的问题，别忘了接受它。

# main loop
time, q_state, out_ = tf.while_loop(
    cond=lambda time, *_: time < question_length,
    body=_one_step,
    loop_vars=[time, q_state, out_],
    shape_invariants=[time.get_shape()
        ,tf.nn.rnn_cell.LSTMStateTuple(tf.TensorShape([None, 300]),tf.TensorShape([None, 300]))
        ,tf.TensorShape([None, 256])]
)