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：我有一系列状态。每个序列可以具有可变长度。每个状态都是一个时刻，并由以下几个属性描述：[att1，att2，...]。其中每个属性是间隔[[0..5]，[1..3651]，...]之间的数字
Seq2Seq的示例（和论文）基于每个状态（单词）都来自其字典。因此每个州大约有80.000种可能性。但是，当从一组向量中获取每个状态而该状态只是属性的每种可能组合时，您将如何表示每个状态。
有没有办法使用TensorFlow处理更复杂的状态？此外，当输入长度和输出长度之间的关系不清楚时，有什么好的方法来确定铲斗的边界？
我是否可以建议将您的问题改写为两个部分？第一个确实是一个与张量流无关的通用机器学习/ LSTM问题：如何使用LSTM预测序列元素何时为通用向量，第二个是如何在张量流中表示这一点。对于前者-那里没有什么神奇的事。
但是非常快速的答案：您实际上只是跳过了seq2seq的嵌入查找部分。您可以将密集张量输入到它的适当修改的版本中-状态只是状态的密集向量表示。这与嵌入查找中的结果相同。
该向量表示教程讨论了预处理，轮流，例如，词到的嵌入在学习管道的后面部分使用。
如果查看seq2seq.py的第139行，您会发现embedding_rnn_decoder接受一维东西来决定（尺寸是批中的元素），然后使用嵌入查找将其转换为batch_size *单元格.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。
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句