我正在Tensorflow中构建一个LSTM风格的神经网络，在将其传递到spare_softmax_cross_entropy_with_logits层之前，我很难准确理解需要什么输入以及tf.nn.dynamic_rnn进行的后续转换。
https://www.tensorflow.org/api_docs/python/tf/nn/dynamic_rnn
理解输入
输入函数发送形式的特征张量
[批量大小，最大时间]
然而，手册规定输入张量必须采用形式
[batch_size，max_time，…]
因此，我用1d张量扩展了输入，采用的形式
[batch_size，max_time，1]
在这一点上，输入在运行时不会中断，但我不完全理解我们在这里做了什么，并怀疑这可能是计算损失时出现问题的原因(见下文)。
了解转变
这个扩展张量就是下面代码中使用的"特征"张量
LSTM_SIZE = 3
lstm_cell = rnn.BasicLSTMCell(LSTM_SIZE, forget_bias=1.0)
outputs, _ = tf.nn.dynamic_rnn(lstm_cell, features, dtype=tf.float64)
#slice to keep only the last cell of the RNN
outputs = outputs[-1]
#softmax layer
with tf.variable_scope('softmax'):
W = tf.get_variable('W', [LSTM_SIZE, n_classes], dtype=tf.float64)
b = tf.get_variable('b', [n_classes], initializer=tf.constant_initializer(0.0), dtype=tf.float64)
logits = tf.matmul(outputs, W) + b
loss = tf.reduce_mean(tf.nn.sparse_softmax_cross_entropy_with_logits(logits=logits, labels=labels))
这在丢失时引发值错误
维度必须相等，但为[max_time，num_classes]和[batch_size]
来自https://www.tensorflow.org/versions/r0.12/api_docs/python/nn/classification-
一个常见的用例是拥有shape[batch_size，num_classes]的logits和shape[Back_size]的标签。但支持更高的维度
在这个过程中的某个时刻，max_time和batch_size被混淆了，我不确定它是在输入还是在LSTM期间。我很感激你的建议！
这是因为tf.nn.dynamic_rnn的输出形状https://www.tensorflow.org/api_docs/python/tf/nn/dynamic_rnn:
outputs：RNN输出张量。
如果time_major==False(默认值)，则这将是一个张量形状：[批处理大小，最大时间，单元格输出大小]。
如果time_major==True，这将是一个张量形状：[max_time，batch_size，cell.output_size].
在默认情况下，因此outputs气体形状为[batch_size, max_time, output_size]，并且在执行outputs[-1]时，获得形状为[max_time, output_size]的张量。也许用outputs[:, -1]切片应该可以修复它。