据我所知，为LSTM预处理数据的一般步骤包括以下几个步骤
vocab_size = 20000 # 只考虑前20000个词maxlen = 200 # 只考虑每篇影评的前200个词(x_train, y_train), (x_val, y_val) = keras.datasets.imdb.load_data(num_words=vocab_size)print(len(x_train), "训练序列")print(len(x_val), "验证序列")x_train0 = keras.preprocessing.sequence.pad_sequences(x_train, maxlen=maxlen)x_val0 = keras.preprocessing.sequence.pad_sequences(x_val, maxlen=maxlen)在这里，训练数据将包含25,000个变长样本，应用序列填充后，如果序列长度超过200，则会截断数据至长度200；如果数据长度不足200，则会用0填充到200的长度。
如果你的数据序列长度在200 +/- 50之间，或者在90到500的范围内，这并不是一个大问题。
如何处理数据长度从100到60,000的这种情况呢？
回答：
**在LSTM架构中，有一种处理方法：**
-
在你的LSTM中，将input_shape参数的时间步组件设置为None，这将帮助你接受变长序列。
-
现在会出现一个问题，因为你需要将输入适应到numpy数组中，而numpy数组具有严格的结构（相同长度）。所以我做的就是将你的输入按相同长度分组成批次，然后创建一个数组。现在将它输入到你的网络中。
例如-
lstm = tf.keras.layers.LSTM(latent_dim, input_shape=(None, vocab_len, ))for ip in inputs.groupby(lenghtofinputs): model.fit(ip, outputof(ip), epoch=100)请让我知道这是否适用于你的情况，对我来说是有效的。
