Pytorch 中如何处理 RNN 输入变长序列 padding

本文作者忆臻，原载于知乎专栏 —— 机器学习乱发与自然语言处理。

  一、为什么 RNN 需要处理变长输入

假设我们有情感分析的例子，对每句话进行一个感情级别的分类，主体流程大概是下图所示：

思路比较简单，但是当我们进行 batch 个训练数据一起计算的时候，我们会遇到多个训练样例长度不同的情况，这样我们就会很自然的进行 padding，将短句子 padding 为跟最长的句子一样。

比如向下图这样：

但是这会有一个问题，什么问题呢？比如上图，句子 “Yes” 只有一个单词，但是 padding 了 5 的 pad 符号，这样会导致 LSTM 对它的表示通过了非常多无用的字符，这样得到的句子表示就会有误差，更直观的如下图：

那么我们正确的做法应该是怎么样呢？

这就引出 pytorch 中 RNN 需要处理变长输入的需求了。在上面这个例子，我们想要得到的表示仅仅是 LSTM 过完单词 "Yes" 之后的表示，而不是通过了多个无用的 “Pad” 得到的表示：如下图：

  二、pytorch 中 RNN 如何处理变长 padding

主要是用函数 torch.nn.utils.rnn.pack_padded_sequence() 以及 torch.nn.utils.rnn.pad_packed_sequence() 来进行的, 分别来看看这两个函数的用法。

这里的 pack，理解成压紧比较好。 将一个 填充过的变长序列 压紧。（填充时候，会有冗余，所以压紧一下）

输入的形状可以是 (T×B×*)。T 是最长序列长度，B 是 batch size，* 代表任意维度 (可以是 0)。如果 batch_first=True 的话，那么相应的 input size 就是 (B×T×*)。

Variable 中保存的序列，应该按序列长度的长短排序，长的在前，短的在后（特别注意需要进行排序）。即 input[:,0] 代表的是最长的序列，input[:, B-1] 保存的是最短的序列。

参数说明:

input (Variable) – 变长序列 被填充后的 batch

lengths (list[int]) – Variable 中 每个序列的长度。（知道了每个序列的长度，才能知道每个序列处理到多长停止）

batch_first (bool, optional) – 如果是 True，input 的形状应该是 B*T*size。

返回值:

一个 PackedSequence 对象。一个 PackedSequence 表示如下所示：

具体代码如下：

embed_input_x_packed = pack_padded_sequence(embed_input_x, sentence_lens, batch_first=True)
encoder_outputs_packed, (h_last, c_last) = self.lstm(embed_input_x_packed)

此时，返回的 h_last 和 c_last 就是剔除 padding 字符后的 hidden state 和 cell state，都是 Variable 类型的。代表的意思如下（各个句子的表示，lstm 只会作用到它实际长度的句子，而不是通过无用的 padding 字符，下图用红色的打钩来表示）：

但是返回的 output 是 PackedSequence 类型的，可以使用：

encoder_outputs, _ = pad_packed_sequence(encoder_outputs_packed, batch_first=True)

将 encoderoutputs 在转换为 Variable 类型，得到的_代表各个句子的长度。

  三、总结

这样综上所述，RNN 在处理类似变长的句子序列的时候，我们就可以配套使用 torch.nn.utils.rnn.pack_padded_sequence() 以及 torch.nn.utils.rnn.pad_packed_sequence() 来避免 padding 对句子表示的影响

参考：

pytorch 对可变长度序列的处理 http://suo.im/2c3XOA 

pytorch RNN 变长输入 padding http://suo.im/2xkED8 

限时拼团

3 大模块，30 个课时

高校数学系教授带班

100% 学员好评

与 100 + 同学一起夯实数学基础，走稳机器学习入门第一步！

▼▼▼

新人福利

关注 AI 研习社（okweiwu），回复  1  领取

【超过 1000G 神经网络 / AI / 大数据，教程，论文】

PyTorch 合辑

▼▼▼