dynamic_rnn讓不同迭代傳入的batch的長度可以不同，但是同一次迭代的一個batch內部的所有數據的長度仍然是固定的。 例如一個batch中數據長度均在7-10這個範圍內，就可以將這個batch的長度固定為10，而整個dataset上的數據最大長度可能是100， 這樣不需要將這個batch中的數據長度固定到100，浪費空間。 但是rnn不能這樣，它要求每一時刻傳入的batch數據的[batch_size, max_seq]，在每次迭代過程中都保持不變。 我們用一個小例子來說明其用法，假設你的RNN的輸入input是[2,20,128]，其中2是batch_size,20是文本最大長度，128是embedding_size，可 以看出，有兩個example，我們假設第二個文本長度只有13，剩下的7個是使用0-padding方法填充的。dynamic返回的是兩個參數： outputs,last_states，其中outputs是[2,20,128]，也就是每一個迭代隱狀態的輸出,last_states是由(c,h)組成的tuple，均為[batch,128]。 到這裡並沒有什麼不同，但是dynamic有個參數：sequence_length，這個參數用來指定每個example的長度，比如上面的例子中，我們令 sequence_length為[20,13]，表示第一個example有效長度為20，第二個example有效長度為13，當我們傳入這個參數的時候，對於第二個 example，TensorFlow對於13以後的padding就不計算了，其last_states將重複第13步的last_states直至第20步，而outputs中超過13步的結果 將會被置零。 dynamic_rnn例子

輸出結果

可以看出，對於第二個example超過6步的outputs，是直接被設置成0了，而last_states將7-10步的輸出重複第6步的輸出。可見節省了不少的計 算開銷 使用tf.dynamic_rnn顯然比其他的RNN來的更方便和節約計算資源，因此推薦優先使用tf.dynamic_rnn