我有一个TensorFlow模型，具有一些如下特征：

    state_size = 800,    num_classes = 14313,    batch_size = 10,    num_steps = 16, # 张量的宽度    num_layers = 3   x = tf.placeholder(tf.int32, [batch_size, num_steps], name='input_placeholder')   y = tf.placeholder(tf.int32, [batch_size, num_steps], name='labels_placeholder')   rnn_inputs = [tf.squeeze(i, squeeze_dims=[1]) for i in                  tf.split(x_one_hot, num_steps, 1)]  # 仍然是一个张量列表 (batch_size, num_classes)   ...   logits = tf.matmul(rnn_outputs, W) + b   predictions = tf.nn.softmax(logits)

现在我想输入一个np.array（形状为batch_size x num_steps，即10 x 16），然后得到一个predictions张量作为返回值。

奇怪的是，它的形状是160 x 14313。后者是类别的数量。但是160是从哪里来的？我不明白这一点。我希望对批次中的每个元素（批次大小为10）得到每个类别的概率。为什么num_steps会涉及其中？我该如何从这个pred.张量中读取在那些16个数字之后的预期元素呢？

回答：

在这种情况下，160确实来自于形状，正如你所猜测的。
这意味着对于每个大小为10的批次，有16个时间步长，当你处理形状变量时，这些会被展平。
此时，你的logits形状为160 * 类别数。因此，你可以对每个批次使用predictions[i]来获取每个类别成为目标类别的概率。
这就是为什么要获取选择的类别，你可以使用tf.argmax(predictions, 1)来获得一个包含分类结果的张量，
在你的例子中，这将具有160的形状，所以它将是每个批次的预测类别。

为了获取概率，你可以使用logits：

def prob(logit):    return 1/(1 + np.exp(-logit))