pytorch实现lstm_Pytorch（实践）--变长序列的处理

前言：

由于RNN在处理文本时，通常文本需要进行padding补齐到最长句子的长度，但在计算时，实际上有效的RNN计算仅是前面的非padding文本，而后续padding也会经过RNN计算从而导致了浪费了较多的计算资源和时间。

则当在不考虑截断文本长度的情况下，即保留所有语料信息的情况下，就该考虑下pytorch中的变长序列处理机制了。

一、变长处理的解决的问题：

原始语料的样例数据如下：

检查下语料的文本最大长度和文本最小长度：

即在进行padding时，将所有长度都补齐至43的长度，当文本仅有一个包含信息的单词，

但仍需要经过42次神经元去计算pad标记，这样会导致计算结果存在偏差，而合理的做法是，当LSTM计算完有效信息，即非pad标记信息