我想创建一个Seq2Seq模型来预测时间序列数据。我正在使用推理助手，并且正在努力解决sample_fn参数。我想通过密集层传递每个单元格的解码器输出，以便在每个时间步长生成单个输出。所以我提供了一个函数来对sample_fn参数执行此操作。
稍后，我想将 rnn 单元输出与其他非时间序列特征连接起来，并在其上构建更密集的层。
网络在训练时表现良好，但在推理期间则不然。我认为这是因为我在训练和推理时间之间没有共享相同的密集层。
我尝试设置重用参数并使用with tf.variable_scope()环境。但是，sample_fn已在dynamic_decode的特定范围内调用，因此我无法使用与训练期间相同的范围。
我的代码的相关部分如下所示：
占位符：
inputs = tf.placeholder(shape=(None, 100, 1), dtype=tf.float32, name='inputs')
input_lengths = tf.placeholder(shape=(None,), dtype=tf.int32, name='input_lengths')
targets = tf.placeholder(shape=(None, 100), dtype=tf.float32, name='targets')
target_lengths = tf.placeholder(shape=(None,), dtype=tf.int32, name='target_lengths')
编码器：
encoder_cell = tf.nn.rnn_cell.MultiRNNCell([tf.contrib.rnn.GRUCell(num_units=16, name='encoder_cell_0'])
self.decoder_cell = tf.nn.rnn_cell.MultiRNNCell([tf.contrib.rnn.GRUCell(num_units=16, name='decoder_cell_0']))
_, final_encoder_states = tf.nn.dynamic_rnn(cell=encoder_cell, inputs=inputs,
sequence_length=input_lengths, dtype=tf.float32)
解码器(训练)
start_tokens = tf.fill([tf.shape(inputs)[0]], start_token)
start_tokens = tf.cast(tf.expand_dims(start_tokens, 1), dtype=tf.float32)
targets_as_inputs = tf.concat([start_tokens, targets], axis=1)
targets_as_inputs = tf.reshape(targets_as_inputs, (-1, targets_as_inputs.shape[1], 1))
training_helper = tf.contrib.seq2seq.TrainingHelper(inputs=targets_as_inputs, sequence_length=target_lengths, name='training_helper')
training_decoder = tf.contrib.seq2seq.BasicDecoder(cell=decoder_cell, helper=training_helper, initial_state=final_encoder_states)
train_outputs, _, _ = tf.contrib.seq2seq.dynamic_decode(decoder=training_decoder, maximum_iterations=max_target_sequence_length, impute_finished=True)
train_predictions = train_outputs.rnn_output
train_predictions = tf.layers.dense(train_predictions, 1, activation=None, name='output_dense_layer')
解码器(推理)。不正确的部分：
def sample_fn(outputs):
return tf.layers.dense(outputs, 1, activation=None,
name='output_dense_layer', reuse=tf.AUTO_REUSE)
infer_helper = tf.contrib.seq2seq.InferenceHelper(sample_fn=sample_fn, sample_shape=(1),
sample_dtype=tf.float32, start_inputs=start_tokens, end_fn=lambda sample_ids: False, next_inputs_fn=None)
infer_decoder = tf.contrib.seq2seq.BasicDecoder(cell=decoder_cell, helper=infer_helper, initial_state=final_encoder_states)
infer_outputs, _, _ = tf.contrib.seq2seq.dynamic_decode(decoder=infer_decoder, maximum_iterations=max_target_sequence_length, impute_finished=True)
infer_predictions = infer_outputs.rnn_output
infer_predictions = sample_fn(infer_predictions)
还有一个类似的问题：如何在没有嵌入的情况下使用张量流 seq2seq？
作者使用sample_fn=lambda outputs: outputs.但是在我的情况下，这会返回一个 ValueError，因为维度不匹配。他们怎么会有多个细胞？sample_fn应返回单个值。
现在，我已经通过创建自己的dynamic_decode函数解决了我的问题。我复制了旁边的所有内容
with variable_scope.variable_scope(scope, "decoder", reuse=reuse) as varscope:
以及一个与varscope相关的 if 条件和另一个从tf.contrib.seq2seq.dynamic_decode测试解码器类的 if 条件。
不是一个很好的解决方案，但目前已经足够了。