對pytorch中不定長序列補齊的操作

Posted on by

第二種方法通常是在load一個batch數據時, 在collate_fn中進行補齊的.

以下給出兩種思路：

第一種思路是比較容易想到的, 就是對一個batch的樣本進行遍歷, 然後使用np.pad對每一個樣本進行補齊.

for unit in data:
        mask = np.zeros(max_length)
        s_len = len(unit[0])    # calculate the length of sequence in each unit
        mask[: s_len] = 1
        unit[0] = np.pad(unit[0], (0, max_length - s_len), 'constant', constant_values=(0, 0))
        mask_batch.append(mask)

但是這種方法在batch size很大的情況下會很慢, 因為使用for循環進行瞭遍歷. 我在實際用的時候, 當batch_size=128時, 一個batch的加載時間甚至是一個batch訓練時間的幾倍!

因此, 我想到如何並行地對序列進行補齊. 第二種方法的思路就是使用torch中自帶的pad_sequence來並行補齊.

batch_sequence = list(map(lambda x: torch.tensor(x[findex]), x_data))
batch_data[feat] = torch.nn.utils.rnn.pad_sequence(batch_sequence).T

可以看到這裡使用pad_sequence一次性對整個batch進行補齊. 下面對這個函數進行詳細說明.

pad_sequence詳解

from torch.utils.rnn import pad_sequence
a = torch.ones(10)
b = torch.ones(6)
c = torch.ones(20)
abc = pad_sequence([a,b,c])  # shape(20, 3)

註意這個函數接收的是一個元素為tensor的列表, 而不是tensor.

最終, 這個函數會將所有tensor轉換為tensor矩陣#shape(max_length, batch_size). 因此, 在使用完後通常還需要轉置一下.

補充：PyTorch中用於RNN變長序列填充函數的簡單使用

1、PyTorch中RNN變長序列的問題   

RNN在處理變長序列時有它的優勢。在分批處理變長序列問題時，每個序列的長度往往不會完全相等，因此針對一個batch中序列長度不一的情況，需要對某些序列進行PAD（填充）操作，使得一個batch內的序列長度相等。   

PyTorch中的pack_padded_sequence和pad_packed_sequence可處理上述問題，以下用一個示例演示這兩個函數的簡單使用方法。

2、填充函數簡介

“壓縮”函數：用於將填充後的序列tensor進行壓縮，方便RNN處理

pack_padded_sequence(input, lengths, batch_first=False, enforce_sorted=True)

（1）input->被“壓縮”的tensor，維度一般為[batch_size,_max_seq_len[,embedding_size]]或者[max_seq_len,batch_size[,embedding_size]]

若input維度為:[batch_size,_max_seq_len[,embedding_size]]

要將batch_first設置為True,這表示input的第一個維度為batch的數量

若input維度為:[max_seq_len,batch_size[,embedding_size]]

要將batch_first設置為False(默認值),這表示input的第一個維度不是batch的數量

（2）lengths->lengths參數表示一個batch中序列真實長度，類型為列表，在例子中詳細說明

（3）batch_first->表示batch的數量是否在input的第一維度，默認值為False

（4）enforce_sorted->input中的會自動按照lengths的情況進行排序，默認值為

“解壓”函數：該函數與”壓縮函數”相對應，經“壓縮函數”處理的輸入經過RNN得到的最終結果可以利用該函數進行“解壓”

pad_packed_sequence(sequence, batch_first=False, padding_value=0.0, total_length=None):

（1）sequence->壓縮函數處理過的input經RNN後得到的結果

（2）batch_first->與“壓縮”函數中的batch_first一致

（3）padding_value->序列進行填充時使用的索引，默認為0

（4）total_length->暫略

3、PyTorch代碼示例

代碼如下（示例）：

# Create by leslie_miao on 2020/11/1
import torch
import torch.nn as nn
d_model = 10 # 詞嵌入的維度
hidden_size = 20 # lstm隱藏層單元數量
layer_num = 1 # lstm層數
# 輸入inputs,維度為[batch_size,max_seq_len]=[3,4],其中0代表填充
# 該input包含3個序列，每個序列的真實長度分別為: 4 3 2
inputs = torch.tensor([[1,2,3,4],[1,2,3,0],[1,2,0,0]])
embedding = nn.Embedding(5,d_model)
# 獲取詞嵌入後的inputs 當前inputs的維度為[batch_size,max_seq_len,d_model]=[3,4,10]
inputs = embedding(inputs)
# 查看inputs的維度
print(inputs.size())
# print: torch.Size([3, 4, 10])
# 利用“壓縮”函數對inputs進行壓縮處理，[4,3,2]分別為inputs中序列的真實長度,batch_first=True表示inputs的第一維是batch_size
inputs = nn.utils.rnn.pack_padded_sequence(inputs,lengths=[4,3,2],batch_first=True)
# 查看經“壓縮”函數處理過的inputs的維度
print(inputs[0].size())
# print: torch.Size([9, 10])
# 定義RNN網絡
network = nn.LSTM(input_size=d_model,hidden_size=hidden_size,batch_first=True,num_layers=layer_num)
# 初始化RNN相關門參數
c_0 = torch.zeros((layer_num,3,hidden_size))
h_0 = torch.zeros((layer_num,3,hidden_size)) # [rnn層數,batch_size,hidden_size]
# inputs經過RNN網絡後得到的結果outputs
output,(h_n,c_n) = network(inputs,(h_0,c_0))
#查看未經“解壓函數”處理的outputs維度
print(output[0].size())
# print: torch.Size([9, 20])
# 利用“解壓函數”對outputs進行解壓操作,其中batch_first設置與“壓縮函數相同”，padding_value為0
output = nn.utils.rnn.pad_packed_sequence(output,batch_first=True,padding_value=0)
# 查看經“解壓函數”處理的outputs維度
print(output[0].size())
# print：torch.Size([3, 4, 20])

總結

介紹瞭PyTorch中兩個應用於RNN變長序列填充的函數pack_padded_sequence和 pad_packed_sequence的簡單使用方法，歡迎指正交流！

推薦閱讀：