pytorch DataLoader处理不定长序列

本篇博客的目的是：
将下图这样的输入（每个tensor表示一个句子，01为句子标签）：

转化为下图所示的输出（batch_size=2）
元组的第一个元素为填充后的句子向量，第二个元素为句子长度，第三个元素为句子的label。

为什么需要这样的处理？
    如果需要使用RNN模型处理序列数据，肯定不能将变长的序列直接输入模型，所以需要在输入前对其进行填充。这里需要注意的是，在有些情况下，输入数据不仅需要填充，并且需要在数据传送过程中记录句子的原始长度，例如在RNN中，如果句子长度差别较大，例如最大长度是50，但大多数句子长度<10，这样会导致很多句子中有很多填充的0，这会导致最后得到的hn是相同的。

第一步：建立Dataset

class SentenceDataSet(Dataset):
    def __init__(self, sent, sent_label):
        self.sent = sent
        self.sent_label = sent_label

    def __getitem__(self, item):
        return self.sent[item], self.sent_label[item]

    def __len__(self):
        return len(self.sent)


dataset = SentenceDataSet(x, y)

for xi, yi in dataset:
    print(xi, yi)

输出为：

第二步：建立DataLoader

    在建立dataloader时需要注意：默认情况下dataloader会将batch中的所有数据条目的各个维度的数据直接进行拼接，由于在本博客的例子中句子序列的长度不相等，不能直接拼接，所以下面通过自己实现collate_fn函数自定义batch中的多个数据条目的组织方式。

def collate_fn(batch_data):
    """
    自定义 batch 内各个数据条目的组织方式
    :param data: 元组，第一个元素：句子序列数据，第二个元素：长度 第2维：句子标签
    :return: 填充后的句子列表、实际长度的列表、以及label列表
    """
    # batch_data 为一个batch的数据组成的列表，data中某一元素的形式如下
    # (tensor([1, 2, 3, 5]), 4, 0)
    # 后续将填充好的序列数据输入到RNN模型时需要使用pack_padded_sequence函数
    # pack_padded_sequence函数要求要按照序列的长度倒序排列
    batch_data.sort(key=lambda xi: len(xi[0]), reverse=True)
    data_length = [len(xi[0]) for xi in batch_data]
    sent_seq = [xi[0] for xi in batch_data]
    label = [xi[2] for xi in batch_data]
    padded_sent_seq = pad_sequence(sent_seq, batch_first=True, padding_value=0)
    return padded_sent_seq, data_length, torch.tensor(y, dtype=torch.float32)


# 将dataset封装为data_loader
data_loader = DataLoader(dataset, batch_size=2, collate_fn=collate_fn)

for data in data_loader:
    print(data)

输出：

参考链接
pytorch dataloader官方教程
博客：处理LSTM+embedding变长序列