请问seq_output = tf.concat(self.lstm_outputs, 1)的用意是什么？

[Eddiechiu]

你好，想请教个问题。
我的运行下来，报错在
y_reshaped = tf.reshape(y_one_hot, self.logits.get_shape())

因为y_one_hot和self.logits的总元素数量不同，所以不能reshape。
我推算了一下：

1. inputs的shape是(num_seqs, num_steps)，经过tf.one_hot以后，lstm_inputs的shape变成(num_seqs, num_steps, num_classes)

2. 我用的是cell是一层的lstm，lstm_inputs经过tf.nn.dynamic(cell, lstm_inputs, initial_state=self.initial_state)后，lstm_outputs的shape是(num_seqs, num_steps, lstm_size)

3. lstm_outputs经过tf.concat(lstm_outputs, 1)以后，shape没有任何变化，再经过一些列运算后，shape就会有问题。

所以想问一下tf.concat(lstm_outputs, 1)这一步是做什么的？
感谢~

[charmpeng]

我认为，self.lstm_inputs的shape在经过embedding_lookup后，应该是(num_seqs, num_steps, embedding_size)。也就是一个input由embedding_size大小的向量表示。

[Eddiechiu]

嗯，你的embedding_size就是我的num_classes,
但是tf.concat(lstm_outputs, 1)这一步我没懂，而且跳过这一步程序可以正常运行。

[charmpeng]

'with tf.name_scope('lstm'):
        cell = tf.nn.rnn_cell.MultiRNNCell(
            [get_a_cell(self.lstm_size, self.keep_prob) for _ in range(self.num_layers)]
        )
        self.initial_state = cell.zero_state(self.num_seqs, tf.float32)

        # 通过dynamic_rnn对cell展开时间维度
        self.lstm_outputs, self.final_state = tf.nn.dynamic_rnn(cell, self.lstm_inputs, initial_state=self.initial_state)
        print("self.lstm_outputs.get_shape",self.lstm_outputs.get_shape()) # (32,50,128)
        seq_output = tf.concat(self.lstm_outputs, 1)
        print("seq_output.get_shape()",seq_output.get_shape())  # (32,50,128)
        x = tf.reshape(seq_output, [-1, self.lstm_size])
        print("x.get_shape()",x.get_shape())  # (1600,128)`

我打印出了shape，看来seq_output = tf.concat(self.lstm_outputs, 1) 这一句并没什么用处，因为concat前后，lstm_outputs与seq_output的shape都是一样的。

[Eddiechiu]

嗯嗯，是的，所以我就直接reshape了 =D

[sunnima]

这一步确实没用。

[Natumsol]

确实没用。。。

[cherish6092]

tf.concat(values, 1)#values必须是序列，在这里不起作用