對于單個的 RNNCell ， 使用色的 call 函數進行運算時 ，只是在序列時間上前進了一步 。

如使用 x1、 ho 得到此h1， 通過 x2 、 h1 得到 h2 等 。

 tf.nn.dynamic_rnn的作用：

如果序列長度為n，要調用n次call函數，比較麻煩。對此，TensorFlow提供了一個tf.nn.dynamic_mn函數，使用該函數相當于調用了n次call函數。通過{ho, x1 , x2，…， xn} 直接得到{h1 , h2，…， hn} 。

具體來說，設輸入數據的格式為（batch_size, time_steps, input size），

其中batch_size表示batch的大小，即包含幾個序列。

time_steps表示序列長度，

input_size表示輸入數據單個序列單個時間維度上固有的長度。

此時，得到的outputs是time_steps步里所有的輸出。它的形狀為(batch_size, time_steps, cell.output size）。state 是最后一步的隱狀態，形狀為（batch_size, cell . state_size） 。

至此，在對每一步的輸出進行變換，可以得到損失并進行訓練模型了。

以上這篇使用 tf.nn.dynamic_rnn 展開時間維度方式就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持服務器之家。

原文鏈接：https://blog.csdn.net/DeepOscar/article/details/81123002