sequence_loss_by_example(logits, targets, weights）

这个函数用于计算所有examples（假设一句话有n个单词，一个单词及单词所对应的label就是一个example,所有example就是一句话中所有单词）的加权交叉熵损失，logits参数是一个2D Tensor构成的列表对象，每一个2D Tensor的尺寸为[batch_size x num_decoder_symbols]，函数的返回值是一个1D float类型的Tensor，尺寸为batch_size，其中的每一个元素代表当前输入序列example的交叉熵。另外，还有一个与之类似的函数sequence_loss，它对sequence_loss_by_example函数返回的结果进行了一个tf.reduce_sum运算，因此返回的是一个标称型float Tensor。
进一步理解：
logits 的shape = [batch_size*numsteps, vocab_size], vocab_size是（分类）类别的个数
targets 的shape = [batch_size*num_steps]
sequence_loss_by_example的做法是，针对logits中的每一个num_step,即[batch_size, vocab_size], 对所有vocab_size个预测结果，得出预测值最大的那个类别，与target中的值相比较计算Loss值

http://blog.csdn.net/u012436149/article/details/52874718

# Defines a list of `num_steps` variables, each 1-D with length `batch_size`.
weights = [tf.get_variable("w", [batch_size]) for _ in range(num_steps)]

loss = seq2seq.sequence_loss_by_example([logits_1, ..., logits_n],
                                        [targets_1, ..., targets_n],
                                        weights,
                                        vocab_size_all)

http://stackoverflow.com/questions/35930950/trainable-weight-for-tensorflow-sequence-loss-by-example

下面的例子有点问题，待解决，请不要参考（正考虑解决方案）：

#logit_list是个list, 个数是num_step, 元素的shape = [batch_size, num_class]
    #labels的shape = [batch_size, numstep, num_class]
    # 需要修改，
    def loss(self, logit_list, labels, seq_len):
        logits = tf.pack(logit_list) #shape = [num_step, batch_size, num_class]
        logits = tf.transpose(logits, [1,0,2]) # shape = [batch_size, num_step, num_class]
        logits = tf.reshape(logits, [-1, self.config.num_class])  # shape = [batch_size*num_step, num_class]

        labels = tf.reshape(labels, [-1, self.config.num_class]) # shape = [batch_size*num_step, num_class]

        #loss的shape = [batch_size*num_steps]
        #这儿需要修改
        loss = tf.nn.seq2seq.sequence_loss_by_example(  # loss的shape= [batch_size*num_steps]
            [logits],  # output [batch*numsteps, vocab_size]
            [labels],  # target, [batch_size, num_steps] 然后展开成一维【列表】
            [tf.ones([self.config.batch_size * self.config.num_steps], dtype=tf.float32)])  # weight
        mask = self.mask(seq_len)
        clean_loss = loss*mask
        part_cost = cost = tf.reduce_sum(clean_loss) / self.config.batch_size  # 计算得到平均每批batch的误差,为什么没有除以num_steps
        total_loss = part_cost + self.l2_loss()
        #还有一个问题需要注意，如果要除以num_steps,就要计算实际的单词个数
        return total_loss # 传入到优化器