Python 代码解析：使用 RNN 生成条件样本

这是一个用于生成样本的函数，根据给定的标签生成样本。如果没有给定随机噪声'z'，则会生成一个符合正态分布的随机噪声。然后，使用随机噪声和标签来初始化模型的初始状态，并使用循环神经网络生成样本。最终，将生成的样本拼接在一起并返回输出。其中，'max_len' 参数表示生成样本的最大长度。

def sample(self, labels, z=None, max_len=125):
    ' generates samples conditioned on the given label '
    num_examples = int(labels.shape[0])
    if z is None:
        z = tf.random.normal(shape=(num_examples, self.decoder.rnn_units))
    last_pred = tf.zeros(shape=(num_examples, 1, self.num_feats))
    preds = []
    last_state = tf.reshape(self.noise2hidden(z), [3, num_examples, -1])
    z_emb = self.fc_z(z)#fc_z: Dense = layers.Dense(6)
    z_with_time = tf.expand_dims(z_emb, axis=1)
    for _ in range(max_len):
        if self.z_context:
            step_input = tf.concat([z_with_time, last_pred], axis=2)
        else:
            step_input = last_pred
        last_pred, last_state = self.decoder(step_input, last_state, labels)
        preds.append(last_pred)
    output = tf.concat(preds, axis=1)
    return output