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。每个序列可以是可变长度的。每个状态都是一个时刻，由几个属性描述：[att1，att2，…]。其中，每个属性是介于区间[[0..5]，[1..3651]，…]之间的数字
Seq2Seq的例子（和论文）是基于每个状态（单词）都取自他们的字典。因此，每个州都有大约80000种可能性。但是，当每个状态取自一组向量，并且该集合只是属性的每个可能组合时，你将如何表示它。
有什么方法可以用TensorFlow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，什么是决定bucket边界的好方法？
我可以建议把你的问题改成两部分吗？第一个问题实际上是一个独立于张量流的通用机器学习/LSTM问题：如何使用LSTM来预测序列元素何时是通用向量，第二个问题是如何在张量流中表示这一点。对于前者来说，没有什么真正神奇的事情可做。
但一个非常快速的答案是：您实际上只是跳过了seq2seq的嵌入查找部分。你可以把稠密张量输入到它的一个适当修改的版本中——你的状态只是状态的一个稠密向量表示。这和嵌入查找的结果是一样的。
矢量表示教程讨论了预处理，例如，将单词转换为嵌入，以便在学习管道的后续部分使用。
如果你看一下seq2seq.py的第139行，你会发现embedding_rnn_decoder接受了一批1D的东西来决定（维度是批中的元素），但随后使用嵌入查找将其转换为batch_size*cell.input_size张量。您想直接将batch_size*cell.input_size张量输入到RNN中，跳过嵌入步骤。