代码如下：

import tensorflow as tfA = tf.constant([[0.1,0.2,0.3,0.4],[0.2,0.1,0.4,0.3],[0.4,0.3,0.2,0.1],[0.3,0.2,0.1,0.4],[0.1,0.4,0.3,0.2]], dtype=tf.float32)B = tf.constant([1, 2, 1, 3, 3], dtype=tf.int32)w_1 = tf.constant(value=[1,1,1,1,1], dtype=tf.float32)w_2 = tf.constant(value=[1,2,3,4,5], dtype=tf.float32)D   = tf.contrib.legacy_seq2seq.sequence_loss_by_example([A], [B], [w_1])D_1 = tf.contrib.legacy_seq2seq.sequence_loss_by_example([A], [B], [w_1], average_across_timesteps=False)D_2 = tf.contrib.legacy_seq2seq.sequence_loss_by_example([A], [B], [w_2])D_3 = tf.contrib.legacy_seq2seq.sequence_loss_by_example([A], [B], [w_2], average_across_timesteps=False)with tf.Session() as sess:  print(sess.run(D))  print(sess.run(D_1))  print(sess.run(D_2))  print(sess.run(D_3))

结果如下：

[1.4425355 1.2425355 1.3425356 1.2425356 1.4425356][1.4425355 1.2425355 1.3425356 1.2425356 1.4425356][1.4425355 1.2425355 1.3425356 1.2425356 1.4425356][1.4425355 2.485071  4.027607  4.9701424 7.212678 ]

我不明白为什么无论average_across_timesteps参数设置为’True’还是’False’，结果都是一样的。

回答：

以下是执行平均操作的源代码：

if average_across_timesteps:  total_size = math_ops.add_n(weights)  total_size += 1e-12  # 只是为了避免所有权重为0时除以0的情况。  log_perps /= total_size

在你的例子中，weights是一个包含一个张量的列表，要么是w_1，要么是w_2，也就是说，你只有一个时间步。在这两种情况下，tf.add_n(weights)不会改变它，因为它是一个元素的总和（不是w_1或w_2中元素的总和）。

这解释了结果：D和D_1计算得到相同的数组，因为D_1 = D * w_1（逐元素相乘）。D_2和D_3不同是因为w_2不仅仅包含1。