tensorflow中，LSTM网络中从原始数据到送入网络中的数据3种变形方法

import tensorflow as tf
import numpy as np

n_steps = 2         # 2个步长
n_input = 3         # 每步的输入维度是3
n_batch_size = 2    # 批次大小是2
# 两个样本的特征，2个步长，每步的输入维度是3
# 所提特征
feature = np.array([[1,2,3,4,5,6],[1,2,3,4,5,6]])
print feature
print feature.shape

# 变形是为了和下面tensorflow中的变量对应
refeature = feature.reshape(2,2,3)
print refeature

# 在tensorflow中定义的输入变量，用来接收数据，
# None不定的样本数据 n_steps个步长  n_input样本输入长度
x = tf.placeholder("float", [None, n_steps, n_input])

# 下面是2种方法，对样本特征数据，输入LSTM中

#'---------第1种方法：3个语句---------'
m = tf.transpose(x, [1, 0, 2])
n = tf.reshape(m, [-1, n_input])
p = tf.split(n, n_steps)

#'---------第2种方法：1个语句---------'
r = tf.unstack(x, n_steps, 1)

#'---------第3种方法：1个语句---------'  
input3 = tf.unstack(tf.transpose(x, [1,0,2]))

sess = tf.InteractiveSession()
s = sess.run(p, feed_dict={x: refeature}) 
print '---------第1种方法：3个语句---------'
print s


t = sess.run(r, feed_dict={x: refeature}) 
print '---------第2种方法：1个语句---------'
print t

t3 = sess.run(input3, feed_dict={x: refeature})   
print '---------第3种方法：1个语句---------'  
print t3  

解释：
第1步：原始特征：两个样本的特征值如下，代表是：批次大小是2,步长为2,则每步的输入值是3
[[1 2 3 4 5 6]
 [1 2 3 4 5 6]]

第2步：变形，目的是为了和tensorflow定义的变量对应
代表：2个样本，每个样本2步，每一步的输入维度为3
[[[1 2 3]
  [4 5 6]]
 [[1 2 3]
  [4 5 6]]]

第3步：按批次 一步一步送入LSTM，是向量
变形，向量中，第1个数据代表 该批次中所有样本的第1步，
           第2个数据代表 该批次中所有样本的第2步，
[array([[ 1.,  2.,  3.],
       [ 1.,  2.,  3.]], dtype=float32), array([[ 4.,  5.,  6.],
       [ 4.,  5.,  6.]], dtype=float32)]