dynamic_rnn让不同迭代传入的batch的长度可以不同，但是同一次迭代的一个batch内部的所有数据的长度仍然是固定的。 例如一个batch中数据长度均在7-10这个范围内，就可以将这个batch的长度固定为10，而整个dataset上的数据最大长度可能是100， 这样不需要将这个batch中的数据长度固定到100，浪费空间。 但是rnn不能这样，它要求每一时刻传入的batch数据的[batch_size, max_seq]，在每次迭代过程中都保持不变。 我们用一个小例子来说明其用法，假设你的RNN的输入input是[2,20,128]，其中2是batch_size,20是文本最大长度，128是embedding_size，可 以看出，有两个example，我们假设第二个文本长度只有13，剩下的7个是使用0-padding方法填充的。dynamic返回的是两个参数： outputs,last_states，其中outputs是[2,20,128]，也就是每一个迭代隐状态的输出,last_states是由(c,h)组成的tuple，均为[batch,128]。 到这里并没有什么不同，但是dynamic有个参数：sequence_length，这个参数用来指定每个example的长度，比如上面的例子中，我们令 sequence_length为[20,13]，表示第一个example有效长度为20，第二个example有效长度为13，当我们传入这个参数的时候，对于第二个 example，TensorFlow对于13以后的padding就不计算了，其last_states将重复第13步的last_states直至第20步，而outputs中超过13步的结果 将会被置零。 dynamic_rnn例子

输出结果

可以看出，对于第二个example超过6步的outputs，是直接被设置成0了，而last_states将7-10步的输出重复第6步的输出。可见节省了不少的计 算开销 使用tf.dynamic_rnn显然比其他的RNN来的更方便和节约计算资源，因此推荐优先使用tf.dynamic_rnn