Tensorflow中RNN/LSTM内部具体是如何处理数据的，batch、num_steps是如何被丢尽网络里，训练的流程

在学习Tensorflow的源码时发现一个很重要的现象，就是tensorflow在训练RNN/LSTM的机制，因为这两种网络被常常用于NLP方面，所以这里就拿NLP举例子。

承接上一篇： Tensorflow中的词向量

我提到了Tensorflow中的词向量的表达方式，那么在LSTM中，一句话比如5个单词，按照词向量，就是一个3维的矩阵

[[词1对应的词向量],[词2对应的词向量],[词3对应的词向量],[词4对应的词向量],[词5对应的词向量]]，其中每一个词向量又是一个

list，那么这样的3维矩阵，进入网络，在Tensorflow中的具体是这样的，先看代码：

with tf.variable_scope( "RNN"):

  for time_step in range(num_steps): #num_steps表示一个句子的长度

      if time_step > 0:

            tf.get_variable_scope().reuse_variables() (cell_output, state) = cell(inputs[:, time_step, :], state) #inputs[:, time_step, :]的shape是(batch_size, size)

      outputs.append(cell_output)

进去的流程是这样的，如下图所示：

那么上面的代码表达的就是图中的意思，所以batch就是训练数据中句子的长度，num_steps就是句子的长度

因为就是记录一下，所以写的不是很好看，说明白道理就行。