Tensorflow Keras Convs2为什么在预测中使用len（输入文本）？

我正在运行ConvS2S示例，模型训练得很好，但是推理代码不够清楚，为什么预测数组具有输入文本的长度？我的预测是胡言乱语，我显然做错了什么，因为我的模型似乎学得相当好

提前谢谢

据我所知，预测数组应该是这样的：

原始来源如下：

nb_示例=100
in_编码器=编码器输入_数据[：nb_示例]
in_decoder=np.zero（（len（输入_文本），max_decoder seq长度，num_decoder_标记），dtype='float32'）
在_解码器[：，0，目标_令牌_索引[“\t”]]=1中
predict=np.zero（（len（输入文本），max_解码器长度），dtype='float32'）

---

但是为什么要使用

len（输入文本）

？

您可能需要添加指向您所指的seq2seq示例的指针。有多种实现。我阅读代码片段输入文本的方式是一系列短语；如果是这种情况，那么你需要对每个句子进行预测，因此输出将被塑造为（句子数量，句子长度）。Keras示例中的示例是：input_文本是一个包含所有输入示例的列表，我的问题是，为什么推理需要这样做？len（input_文本）实际上是错误的。这应该是NBU的例子。这其实并不重要，因为预测变量会在预测循环中被覆盖。谢谢，我认为这是一个非常好的答案。谢谢，我正在用这些更改进行一些测试。您可能需要添加指向您所指的seq2seq示例的指针。有多种实现。我阅读代码片段输入文本的方式是一系列短语；如果是这种情况，那么你需要对每个句子进行预测，因此输出将被塑造为（句子数量，句子长度）。Keras示例中的示例是：input_文本是一个包含所有输入示例的列表，我的问题是，为什么推理需要这样做？len（input_文本）实际上是错误的。这应该是NBU的例子。这并不重要，因为预测变量会在预测循环中被覆盖。谢谢，我认为这是一个非常好的答案。谢谢，我现在正在用这些更改进行一些测试。