我正在尝试解决以下问题：
假设我有一个国际象棋位置：
我将每个正方形编码为长度为 13 的单热编码向量
因此，最后我有一个形状为 64x13 的矩阵，我打算将其用作模型的输入。我想创建一个能够将矩阵映射到位置的FEN 表示的模型。
给定上面的例子，位置的FEN表示是：1b1N4/7k/4b3/8/8/8/3P4/3K4
FEN 字符串的长度不是固定的。我找不到一个接受固定数量的输入并产生可变数量的输出的 ML 算法。在这种情况下我可以使用什么机器学习算法？RNN 适合该任务吗？
PS我确实明白，只编写一个函数将映射到 FEN 是微不足道的，但我不想要它，我希望模型从数据中学习它。
RNN（和 LSTM / GRU）可以生成可变长度的输出。例如，文本的生成。
在此类问题中，RNN 旨在生成下一个字符（它跟踪过去生成的字符）。RNN 应生成“输出结束”字符以指示序列结束。
必须更改以下方法：
def generate_text(model, length):
ix = [np.random.randint(VOCAB_SIZE)]
y_char = [ix_to_char[ix[-1]]]
X = np.zeros((1, length, VOCAB_SIZE))
for i in range(length):
X[0, i, :][ix[-1]] = 1
print(ix_to_char[ix[-1]], end="")
ix = np.argmax(model.predict(X[:, :i+1, :])[0], 1)
y_char.append(ix_to_char[ix[-1]])
return ('').join(y_char)
到 ：
stop_characters = set(['.','?'])
..
..
ix = np.argmax(model.predict(X[:, :i+1, :])[0], 1)
predicted_char=ix_to_char[ix[-1]]
if(predicted_char in stop_characters ):
break
y_char.append(predicted_char)