关于Pytorch中怎么自定义Dataset数据集类、怎样使用DataLoader迭代加载数据,这篇官方文档已经说得很清楚了,这里就不在赘述。
现在的问题:有的时候,特别对于NLP任务来说,输入的数据可能不是定长的,比如多个句子的长度一般不会一致,这时候使用DataLoader加载数据时,不定长的句子会被胡乱切分,这肯定是不行的。解决方法是重写DataLoader的collate_fn,具体方法如下:
# 假如每一个样本为:
sample = {
# 一个句子中各个词的id
'token_list' : [5, 2, 4