输入长度_深度学习算法(第17期)RNN如何处理变化长度的输入和输出？

上期我们一起学习了静态RNN和动态RNN的区别，
深度学习算法(第16期)----静态RNN和动态RNN
我们知道之前学过的CNN的输入输出都是固定长度，今天我们一起学习下RNN是怎么处理变化长度的输入输出的？

1. 处理变化长度的输入

到目前为止，我们已经知道在RNN中怎么使用固定长度的输入，准确的说是两个时刻长度的输入，但是如果输入的序列是变化长度的呢？比如一个句子。这种情况下，当我们调用dynamic_rnn()或者static_rnn()的时候，需要设置参数sequence_length。该参数应该是一个表示每个样本输入序列大小的一维tensor。走个例子看看：

seq_length = tf.placeholder(tf.int32, [None])
[...]
outputs, states = tf.nn.dynamic_rnn(basic_cell, X, dtype=tf.float32,
                sequence_length=seq_length)

就上期的例子，假如说，第二个样本的输入长度为1的话，那么为了匹配输入tensor的大小，必须将第二个样本的第二个输入设为0，如下：

X_batch = np.arra