Cuando utilizo el Iterador de API de conjunto de datos de tensorflow, mi objetivo es definir un RNN que funcione en el iteradorget_next() tensores como su entrada (ver(1) en el código)

Sin embargo, simplemente definiendo eldynamic_rnn conget_next() como su entrada da como resultado un error:ValueError: Initializer for variable rnn/basic_lstm_cell/kernel/ is from inside a control-flow construct, such as a loop or conditional. When creating a variable inside a loop or conditional, use a lambda as the initializer.

Ahora sé que una solución es simplemente crear un marcador de posición paranext_batch y entonceseval() el tensor (porque no puede pasar el tensor en sí) y pasarlo usandofeed_dict (verX y(2) en el código) Sin embargo, si lo entiendo correctamente, esta no es una solución eficiente, ya que primero evaluamos y luego reinicializamos el tensor.

¿Hay alguna manera de:

Definir eldynamic_rnn directamente encima de la salida del iterador;

o:

De alguna manera pasa directamente el existenteget_next() tensor al marcador de posición que es la entrada dedynamic_rnn?

Ejemplo de trabajo completo; el(1) versión es lo que me gustaría trabajar pero no lo hace, mientras(2) es la solución que funciona.

import tensorflow as tf

from tensorflow.contrib.rnn import BasicLSTMCell
from tensorflow.python.data import Iterator

data = [ [[1], [2], [3]], [[4], [5], [6]], [[1], [2], [3]] ]
dataset = tf.data.Dataset.from_tensor_slices(data)
dataset = dataset.batch(2)
iterator = Iterator.from_structure(dataset.output_types,
                                   dataset.output_shapes)
next_batch = iterator.get_next()
iterator_init = iterator.make_initializer(dataset)

# (2):
X = tf.placeholder(tf.float32, shape=(None, 3, 1))

cell = BasicLSTMCell(num_units=8)

# (1):
# outputs, states = lstm_outputs, lstm_states = tf.nn.dynamic_rnn(cell, next_batch, dtype=tf.float32)

# (2):
outputs, states = lstm_outputs, lstm_states = tf.nn.dynamic_rnn(cell, X, dtype=tf.float32)

init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    sess.run(iterator_init)

    # (1):
    # o, s = sess.run([outputs, states])
    # o, s = sess.run([outputs, states])

    # (2):
    o, s = sess.run([outputs, states], feed_dict={X: next_batch.eval()})
    o, s = sess.run([outputs, states], feed_dict={X: next_batch.eval()})

(Usando tensorflow 1.4.0, Python 3.6.)

Muchas gracias :)