torch.nn.utils.rnn.pad_sequence用法

原創 Bingoyear 2020-02-25 21:06 
torch.nn.utils.rnn.pad_sequence(label_tokens, batch_first=True, padding_value=-1)

label_tokens: list矩陣，shape=[batch_size, N] ,N長度不一
batch_first：默認batch_size在第一維度
padding_value：填充的值

返回
[batch_size, M]
M爲batch中的最大長度

發表評論
所有評論
還沒有人評論，想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章

pytorch中修改現有層及自定義層

1、在現有層上添加參數，Linear層如下，添加weight_c參數 import torch from torch.nn.parameter import Parameter from torch.nn.modules.mod

Bingoyear 2020-06-28 02:24:24

pytorch中梯度截斷

LSTM可能出現梯度爆炸，訓練時，加上梯度截斷 param.grad.data.clamp_(-grad_clip, grad_clip) torch.clamp(min,max)

Bingoyear 2020-06-28 02:24:24

損失函數中focal loss

focal loss用來解決樣本不均衡的分類問題。 假設正樣本（label=1）少，負樣本多，定義focal loss如下 Loss = -[alpha*(1-y_hat)^2yln(y_hat) + (1-alpha)y_hat

Bingoyear 2020-06-28 02:24:14

pytorch中Adam優化器源碼解讀

1. 調用方法 torch.optim.Adam(params, lr=0.001, betas=(0.9, 0.999), eps=1e-08, weight_decay=0, amsgrad=False) 參數： weigh

Bingoyear 2020-06-28 02:24:14

TypeError: zip argument #1 must support iteration

Bingoyear 2020-04-25 20:42:25

pytorch中SGD代碼解讀

Bingoyear 2020-03-25 19:37:58

nlp中的基本網絡

Bingoyear 2020-03-12 00:15:54

pytorch中Schedule與warmup_steps的用法

Bingoyear 2020-02-28 03:35:09

pytorch中修改現有層及自定義層

1、在現有層上添加參數，Linear層如下，添加weight_c參數 import torch from torch.nn.parameter import Parameter from torch.nn.modules.mod

Bingoyear 2020-06-28 02:24:24

pytorch中梯度截斷

LSTM可能出現梯度爆炸，訓練時，加上梯度截斷 param.grad.data.clamp_(-grad_clip, grad_clip) torch.clamp(min,max)

Bingoyear 2020-06-28 02:24:24

損失函數中focal loss

focal loss用來解決樣本不均衡的分類問題。 假設正樣本（label=1）少，負樣本多，定義focal loss如下 Loss = -[alpha*(1-y_hat)^2yln(y_hat) + (1-alpha)y_hat

Bingoyear 2020-06-28 02:24:14

pytorch中Adam優化器源碼解讀

1. 調用方法 torch.optim.Adam(params, lr=0.001, betas=(0.9, 0.999), eps=1e-08, weight_decay=0, amsgrad=False) 參數： weigh

Bingoyear 2020-06-28 02:24:14

TypeError: zip argument #1 must support iteration

Bingoyear 2020-04-25 20:42:25

pytorch中SGD代碼解讀

Bingoyear 2020-03-25 19:37:58

nlp中的基本網絡

Bingoyear 2020-03-12 00:15:54