首先 ，我们来说明一下tf.nn.dynamic_rnn。（最好还是先用动态的吧，感觉好理解一些）
他的shape是【batch_size,time_step(序列长度)，input-dim】，并且对应他的time_step是可以不同的，这区别于以下的static_rnn.
然而，他对应最后的输出shape是【batch_size,n_steps,n_hidden】，因此若要输出对应最后的output，我们必须要进行转置，即tf.transpose(xxx,[1,0,2]),
此时对应输出output[-1]才是对应最终的输出。（强调：对应dyanmic_rnn里有个参数是time_major，如果设置对应为true，则我们对应输入为【time_step,batch_size,input_dim】,对应输出也是如此；而如果设置为false，则对应我们如下的代码不需要改动。）下面让我们用mnist对应的一段代码来看一下。
#在此假设输入的mnist数据X_in对应为【batch_size,time_steps,input_dim】,则对应lstm的构建为
cell = tf.nn.rnn_cell.BasicLSTMCell(n_hidden_units,forget_bias=1.0,state_is_tuple=True)
init_state = cell.zero_state(batch_size,dtype=tf.float32)
outputs,final_state = tf.nn.dynamic_rnn(cell,X_in,initial_state=init_state,time_major=False)
#对应若是要取最后的数据，则需要进行转置，将n_steps维度提到前面来
outputs = tf.transpose(outputs,[1,0,2])
last_output = outputs[-1]
然后我们来对比一下tf.nn.static_rnn.
他的shape是【time_steps,batch_size,input_dim】,最主要的是，这里的input输入需要是一个list，也就是说是一个【】形式，每个list对应的都是一个time_steps（序列）。输出shape对应为【n_steps,batch_size,n_hidden】,因此对应输出最后一个output[-1]即为我们需要的值。代码如下：
input=tf.unstack(x ,time_steps,1)
'''还有一种方法，可以转换为list（忽略其中的加入输入层部分）_X = tf.transpose(_X, [1, 0, 2]) # permute n_steps and batch_size
_X = tf.reshape(_X, [-1, n_inputs]) # (n_steps*batch_size, n_input)
_X = tf.matmul(_X, weights['in']) + biases['in']
lstm_cell =tf.nn.rnn_cell.BasicLSTMCell(n_hidden_unis, forget_bias=1.0) _init_state=lstm_cell.zero_state(batch_size,dtype=tf.float32)
_X = tf.split(_X, n_step,0 ) # n_steps * (batch_size, n_hidden) #得到我们对应想要的list##上方的axis 默认是为0的 所以可写可不写outputs, states =tf.nn.static_rnn(lstm_cell, _X, initial_state=_init_state)'''lstm_layer=rnn.BasicLSTMCell(num_units,forget_bias=1)
#lstm_layer=rnn.LSTMCell(num_units,use_peepholes=True,forget_bias=1)outputs,_=rnn.static_rnn(lstm_layer,input,dtype="float32")