如何在 PyTorch 中正确实现 Seq2Seq LSTM 的填充？

【问题标题】：How to properly implement padding for Seq2Seq LSTM in PyTorch?如何在 PyTorch 中正确实现 Seq2Seq LSTM 的填充？
【发布时间】：2020-06-05 03:12:02
【问题描述】：

在这个PyTorch tutorial 中，尽管输入和输出长度可变，但他们没有使用填充。它似乎工作正常，但如何？如果输入是可变长度的，我们不应该实现填充吗？解决这个问题的正确方法是什么？

谢谢。

【问题讨论】：

标签： nlp pytorch lstm recurrent-neural-network seq2seq

【解决方案1】：

是的，你是对的。如果批量大小大于 1 并且序列大小不同，则应填充输入张量。
但是该示例将输入张量生成为

def inputTensor(line):
    tensor = torch.zeros(len(line), 1, n_letters) # <-- (<sequence_length>, <batch_size>, <input_dim>)
    for li in range(len(line)):
        letter = line[li]
        tensor[li][0][all_letters.find(letter)] = 1
    return tensor

在 pytorch 的 RNN、LSTM 和 GRU 中，除非显式传递 batch_first=True，否则第 1 维实际上是序列长度，第 2 维是批量大小。

这个例子只是为了展示流程，但是我认为他们应该对此做一个小说明。

【讨论】：