pytorch nn.utils.rnn.pack_padded_sequence 分析

pack_padded_sequence

在nlp模型的forward方法中，可能有以下调用令读者疑惑

packed_embedded = nn.utils.rnn.pack_padded_sequence(embedded, text_lengths, batch_first=True, enforce_sorted=False)

为什么要使用pack_padded_sequence？

参考

• Pytorch中的RNN之pack_padded_sequence()和pad_packed_sequence()
• Pytorch中pack_padded_sequence和pad_packed_sequence的理解

当我们训练RNN时，如果想要进行批次化训练，由于句子的长短不一，所以需要截断和填充。

• 为什么要截断？对于那些太长的句子，一般选择一个合适的长度来进行截断。
• 为什么要填充？对于那些太短的句子，需要以 填充字符（比如<pad>）填充，使得该批次内所有的句子长度相同。

但是，填充会带来其它问题：

• 增加了计算复杂度。假设一个批次内有2个句子，长度分别为5和2。我们要保证批次内所有的句子长度相同，就需要把长度为2的句子填充为5。这样喂给RNN时，需要计算$2\times 5=10$次，而实际真正需要的是$5+2=7$次。
• 得到的结果可能不准确。我们知道RNN取的是最后一个时间步的隐藏状态做为输出，虽然在填充时，一般是以全0的词向量填充，RNN神经元的权重乘以零不会影响最终的输出，但还有偏差$b$，如果$b\ne 0$，还是会影响到最后的输出。

  当然这个问题不大，主要是第1个问题，毕竟批次大小很大的时候影响还是不小的。

我们用图解进一步说明这个问题。假设某句子“Yes”只有一个单词，但是填充了多余的pad符号，这样会导致LSTM对它的表示通过了非常多无用的字符，这样得到的句子表示就会有误差

那么我们正确的做法应该是怎么样呢？在上面这个例子，我们想要得到的仅仅是LSTM过完单词"Yes"之后的表示，而不是通过了多个无用的“Pad”得到的表示，如下图：

所以，Pytorch提供了pack_padded_sequence方法来压缩填充字符，加快RNN的计算效率。

pack_padded_sequence是如何压缩的？

那么它是如何做压缩的呢？举个例子，假如一个batch里有5个句子，长度分别是5、4、3、3、2、1。将它们按列压缩，在这个过程中删除了pad字符。所以你可以想象这样的训练过程：

1. 第一个batch有5个单词，[I, I, This, No, Yes]，它们被送入LSTM。
2. 第二个batch有4个单词被送入LSTM。
3. 以此类推，之后的batch长度逐渐减小，分别是3、3、2、1
   在这个过程中，pad字符被自然地忽略掉了。
   

pack_padded_sequence的参数含义

必备参数是句子向量embedded，以及每个句子长度的变量text_lengths。前者通常包含3个维度，即[批次大小、句子最大长度、单词向量长度]（前两者顺序可换）；后者通常是list类型，或者一维Tensor类型，包含了每个句子的长度。

• batch_first表示输入的向量是batch维度优先的。
• enforce_sorted代表输入的句子是否已经按照长度顺序排好，如果为False，那么函数估计会先按照长度排好，进行计算，再还原回原来的顺序。