TensorFlow RNN初始化报错：用张量设置batch_size的问题排查

你的问题出在cell.zero_state()对batch_size参数的要求上——它需要一个能确定具体数值的输入，要么是Python标量，要么是运行时可获取实际值的Tensor，但你传入的x_rnn.shape[0]是静态形状，在图构建阶段它的值是None（因为你把x_rnn的第一维设为None来支持可变batch size），导致TensorFlow无法创建形状包含?的状态张量，所以抛出了这个错误。

下面给你两种可行的解决方案：

方案1：使用动态形状获取batch size #

直接把调用RNN时的batch_size=x_rnn.shape[0]替换成batch_size=tf.shape(x_rnn)[0]。tf.shape()是TensorFlow的动态形状操作，会在运行时根据输入数据的实际情况获取batch大小，完全适配可变batch的场景。

修改后的调用代码：

y_rnn = RNN(x_rnn, weights_rnn, biases_rnn, n_inputs, n_steps, n_hidden_units, batch_size=tf.shape(x_rnn)[0])

方案2：显式定义batch_size占位符 #

如果你希望更清晰地管控batch size，可以单独定义一个占位符来传递这个参数：

# 定义batch_size的占位符，类型为int32
batch_size = tf.placeholder(tf.int32, [])
# 调用RNN时传入这个占位符
y_rnn = RNN(x_rnn, weights_rnn, biases_rnn, n_inputs, n_steps, n_hidden_units, batch_size=batch_size)

之后在运行会话喂数据时，记得同时feed这个占位符的实际值（比如你每次喂入的batch大小，比如128）。

额外提示 #

我注意到你的RNN函数里漏写了tf.nn.dynamic_rnn的调用代码——你在处理outputs的unstack之前，应该先获取动态RNN的输出：

# 补上这一行，获取RNN的输出和最终状态
outputs, final_state = tf.nn.dynamic_rnn(cell, X_in, initial_state=init_state, dtype=tf.float32)

如果没这行代码，后续的outputs会报未定义的错误，记得补上哦。

内容的提问来源于stack exchange，提问作者rosefun