lstm 变长序列_pytorch 对变长序列的处理

使用的主要部分包括：Dateset、 Dateloader、MSELoss、PackedSequence、pack_padded_sequence、pad_packed_sequence

模型包含LSTM模块。

参考了下面两篇博文，总结了一下。

http://www.cnblogs.com/lindaxin/p/8052043.html#commentform

https://blog.csdn.net/lssc4205/article/details/79474735

使用Dateset构建数据集的时候，在__getitem__函数中

def __getitem__(self, index):‘‘‘get original data

此处省略获取原始数据的代码

input_data，output_data

数据shape是 seq_length * feature_dim‘‘‘

#当前seq_length小于所有数据中的最长数据长度，则补0到同一长度。

ori_length =input_data.shape[0]if ori_length

npi= np.zeros(self.input_feature_dim, dtype=np.float32)

npi= np.tile(npi, (self.max_len - ori_length,1))

input_data=np.row_stack((input_data, npi))

npo= np.zeros(self.output_feature_dim, dtype=np.float32)

npo= np.tile(npo, (self.max_len - ori_length,1))

output_data=np.row_stack((output_data, npo))return input_data, output_data, ori_length, input_data_path

在模型中，forward的实现中，需要在LSTM之前使用pack_padded_sequence、在LSTM之后使用pad_packed_sequence，中间还涉及到顺序的还原之类的操作。

def forward(self, input_x, length_list, hidden=None):if hidden isNone:#这里没用 配置中的batch_size，而是直接在input_x中取batch_size是为了防止last_batch的batch_size不是配置中的那个，引发bug

h_0 = input_x.data.new(self.directional*self.layer_num, input_x.shape[0], self.hidden_dim).fill_(0).float()

c_0= input_x.data.new(self.directional*self.layer_num, input_x.shape[0], self.hidden_dim).fill_(0).float()else:

h_0, c_0=hidden‘‘‘省略模型其他部分，直接进去LSTM前后的操作‘‘‘_, idx_sort= torch.sort(length_list, dim=0, descending=True)

_, idx_unsort= otrch.sort(idx_sort, dim=0)

input_x=input_x.index_select(0, Variable(idx_sort))

length_list=list(length_list[idx_sort])

pack= nn_utils.rnn.pack_padded_sequence(input_x, length_list, batch_first=self.batch_first)

output, hidden=self.BiLSTM(pack, (h0, c0))

un_padded= nn_utils.rnn.pad_packed_sequence(output, batch_first=self.batch_first)

un_padded=un_padded[0].index_select(0, Variable(idx_unsort))#此时的un_padded已经完成了还原，并且补0完成，而且这时的补0到的序列长度是当前batch的最长长度，而不是Dateset中的全局最长长度！

# 所以在main train函数中也要对label的seq做处理

return un_padded

main train中，要对label做相应的截断处理，算loss的时候，MSELoss的reduce参数要设置成false，让loss函数返回一个loss矩阵，再构造一个掩膜矩阵mask，矩阵相乘求和得到真的loss(达到填充0的位置不参与loss的目的)

def train(**kwargs):

train_data = my_dataset()

train_dataloader = DataLoader(train_data, opt.batch_size, shuffle=True, num_workers=opt.num_workers)

model = getattr(models, opt.model)(batchsize=opt.batch_size)

criterion = torch.nn.MSELoss(reduce=False)

lr = opt.lf

optimizer = torch.optim.Adam(model.parameters(), lr=lr, weight_decay=opt.weight_decay)

for epoch in range(opt.start_epoch, opt.max_epoch):

for ii, (data, label, length_list,_) in tqdm(enumerate(train_dataloader)):

cur_batch_max_len = length_list.max()

data = Variable(data)

target = Variable(label)

optimizer.zero_grad()

score = model(data, length_list)

loss_mat = criterion(score, target)

list_int = list(length_list)

mask_mat = Variable(t.ones(len(list_int),cur_batch_max_len,opt.output_feature_dim))

num_element = 0

for idx_sample in range(len(list_int)):

num_element += list_int[idx_sample] * opt.output_feature_dim

if list_int[idx_sample] != cur_batch_max_len:

mask_mat[idx_sample, list[idx_sample]:] = 0.0

loss = (loss_mat * mask_mat).sum() / num_element

loss.backward()

optimizer.step()

原文：https://www.cnblogs.com/chengebigdata/p/8993990.html