我正在基于这篇论文开发一个模型，由于GlobalMaxPooling1D层不支持掩码，我遇到了一个异常。

我有一个Embedding层，其mask_zero参数被设置为True。然而，由于后续的GlobalMaxPooling1D层不支持掩码，我遇到了一个异常。这个异常是预期的，因为在Embedding层文档中确实提到，任何在Embedding层之后的层，如果mask_zero = True，都应该支持掩码。

然而，由于我处理的句子中单词数量不一，我确实需要在Embedding层中使用掩码。（即由于输入长度不同）我的问题是，我应该如何修改我的模型，以保持掩码作为模型的一部分，并且不会在GlobalMaxPooling1D层引起问题？

以下是模型的代码。

model = Sequential()embedding_layer = Embedding(dictionary_size, num_word_dimensions,                            weights=[embedding_weights], mask_zero=True,                            embeddings_regularizer=regularizers.l2(0.0001))model.add(TimeDistributed(embedding_layer,                          input_shape=(max_conversation_length, timesteps)))model.add(TimeDistributed(Bidirectional(LSTM(m // 2, return_sequences=True,                                             kernel_regularizer=regularizers.l2(0.0001)))))model.add(TimeDistributed(Dropout(0.2)))model.add(TimeDistributed(GlobalMaxPooling1D()))model.add(Bidirectional(LSTM(h // 2, return_sequences = True,                             kernel_regularizer=regularizers.l2(0.0001)),                        merge_mode='concat'))model.add(Dropout(0.2))crf = CRF(num_tags, sparse_target=False, kernel_regularizer=regularizers.l2(0.0001))model.add(crf)model.compile(optimizer, loss = crf.loss_function, metrics=[crf.accuracy])

回答：

然而，由于我处理的句子中单词数量不一，我确实需要在Embedding层中使用掩码。

你是否对句子进行了填充以使它们长度相等？如果是这样的话，你可以让模型自己发现0是填充值，因此应该被忽略。这样，你就不需要显式的掩码。这种方法也被用于处理数据中的缺失值，如这个回答中所建议的。