默认情况下，函数dynamic_rnn仅输出每个时间点的隐藏状态（称为m），可以通过以下方式获取：
cell = tf.contrib.rnn.LSTMCell(100)rnn_outputs, _ = tf.nn.dynamic_rnn(cell, inputs=inputs, sequence_length=sequence_lengths, dtype=tf.float32)有没有办法额外获取中间（而不是最终）的单元状态（c）？
一位tensorflow贡献者提到可以通过单元包装器来实现：
class Wrapper(tf.nn.rnn_cell.RNNCell): def __init__(self, inner_cell): super(Wrapper, self).__init__() self._inner_cell = inner_cell @property def state_size(self): return self._inner_cell.state_size @property def output_size(self): return (self._inner_cell.state_size, self._inner_cell.output_size) def call(self, input, state) output, next_state = self._inner_cell(input, state) emit_output = (next_state, output) return emit_output, next_state然而，这似乎不起作用。有没有其他建议？
回答：
提出的解决方案对我来说是有效的，但Layer.call方法的规范更通用，因此以下Wrapper应该对API变化更具适应性。试试这个：
class Wrapper(tf.nn.rnn_cell.RNNCell): def __init__(self, inner_cell): super(Wrapper, self).__init__() self._inner_cell = inner_cell @property def state_size(self): return self._inner_cell.state_size @property def output_size(self): return (self._inner_cell.state_size, self._inner_cell.output_size) def call(self, input, *args, **kwargs): output, next_state = self._inner_cell(input, *args, **kwargs) emit_output = (next_state, output) return emit_output, next_state这里是测试代码：
n_steps = 2n_inputs = 3n_neurons = 5X = tf.placeholder(dtype=tf.float32, shape=[None, n_steps, n_inputs])basic_cell = Wrapper(tf.nn.rnn_cell.LSTMCell(num_units=n_neurons, state_is_tuple=False))outputs, states = tf.nn.dynamic_rnn(basic_cell, X, dtype=tf.float32)print(outputs, states)X_batch = np.array([ # t = 0 t = 1 [[0, 1, 2], [9, 8, 7]], # instance 0 [[3, 4, 5], [0, 0, 0]], # instance 1 [[6, 7, 8], [6, 5, 4]], # instance 2 [[9, 0, 1], [3, 2, 1]], # instance 3])with tf.Session() as sess: sess.run(tf.global_variables_initializer()) outputs_val = outputs[0].eval(feed_dict={X: X_batch}) print(outputs_val)返回的outputs是一个包含(?, 2, 10)和(?, 2, 5)张量的元组，这些是所有LSTM的状态和输出。请注意，我使用的是LSTMCell的“毕业”版本，来自tf.nn.rnn_cell包，而不是tf.contrib.rnn。另外，请注意设置state_is_tuple=True以避免处理LSTMStateTuple。
