Tensorflow Seq2Seq用于预测复杂状态

我的问题： 我有一系列复杂的状态，我想预测未来的状态

输入： 我有一系列的状态。每个序列的长度可以是可变的。每个状态都是一个时刻，由几个属性描述：[att1，att2，…]。其中，每个属性都是介于区间[[0..5]、[1..3651]、…]之间的数字

Seq2Seq的示例（和论文）基于每个状态（单词）都取自其字典。因此，每个州都有大约8万种可能性。但是，当从一组向量中提取每个状态，并且该集合只是属性的每个可能组合时，您将如何表示每个状态

---

有什么方法可以用张量流处理更复杂的状态吗？此外，当输入长度和输出长度之间的关系不清楚时，确定存储桶边界的好方法是什么？

我可以建议您将问题重新表述并分为两部分吗？第一个是独立于tensorflow的一般机器学习/LSTM问题：如何使用LSTM预测序列元素何时为一般向量，第二个是如何在tensorflow中表示这一点。对于前者来说，没有什么真正神奇的事情可以做

但是一个非常快速的回答是：您实际上跳过了seq2seq的嵌入查找部分。可以将稠密张量输入到经过适当修改的版本中——您的状态只是状态的稠密向量表示。这与嵌入查找的结果是一样的

本文讨论了将单词转换为嵌入的预处理，以供学习管道的后续部分使用

---

如果你看一看，你会发现嵌入解码器接收1D批次的东西来决定（维度是批次中的元素），但随后使用嵌入查找将其转换为批次大小*单元格。输入大小张量。您想直接输入一个批处理大小*单元格。将大小张量输入RNN，跳过嵌入步骤。

我确实错过了关于嵌入的部分。因此，使用这种方法，假设向量表示的每个状态与使用嵌入时找到的向量相同？嗯，这并不“相同”--但嵌入的目标是占用一个非常稀疏的空间（单词--如果你仔细想想，确定哪个单词是一个80000个输入向量，包含所有0和1）进入一个密度更高的空间，例如一个由8个浮点数组成的密度向量，或者任何可以由RNN更容易操作的空间。通过正确的嵌入，它还具有将语义相似的单词转换为数值相似的向量的好处。您已经有了一个密集的特征向量，因此您可以直接将其输入RNN。