我有一个来自这个教程的网络，我希望以句子作为输入（这已经完成），并得到一个单行张量作为结果。
根据教程，这句话“John’s dog likes food”返回了一个一列的张量：
tensor([[-3.0462, -4.0106, -0.6096],[-4.8205, -0.0286, -3.9045],[-3.7876, -4.1355, -0.0394],[-0.0185, -4.7874, -4.6013]])…以及类别列表：
tag_list[ "name", "verb", "noun"]每行都有与词相关的标签的概率。（第一个词有[-3.0462, -4.0106, -0.6096]向量，其中最后一个元素对应于得分最高的标签，“noun”）
教程中的数据集看起来像这样：
training_data = [ ("The dog ate the apple".split(), ["DET", "NN", "V", "DET", "NN"]), ("Everybody read that book".split(), ["NN", "V", "DET", "NN"])]而我希望我的数据集格式如下：
training_data = [ ("Hello world".split(), ["ONE"]), ("I am dog".split(), ["TWO"]), ("It's Britney glitch".split(), ["THREE"])]参数定义如下：
class LSTMTagger(nn.Module): def __init__(self, embedding_dim, hidden_dim, vocab_size, tagset_size): super(LSTMTagger, self).__init__() self.hidden_dim = hidden_dim self.word_embeddings = nn.Embedding(vocab_size, embedding_dim) self.lstm = nn.LSTM(embedding_dim, hidden_dim) self.hidden2tag = nn.Linear(hidden_dim, tagset_size) def forward(self, sentence): embeds = self.word_embeddings(sentence) lstm_out, _ = self.lstm(embeds.view(len(sentence), 1, -1)) tag_space = self.hidden2tag(lstm_out.view(len(sentence), -1)) tag_scores = F.log_softmax(tag_space, dim=1) return tag_scores目前，输入和输出的尺寸不匹配，我得到的错误是：ValueError: Expected input batch_size (2) to match target batch_size (1)。
由于尺寸不匹配，似乎损失函数无法接受输入：
loss = criterion(tag_scores, targets)我读到最后一层可以定义为nn.Linear来压缩输出，但我似乎无法得到任何结果。尝试了其他损失函数
如何修改模型，使其对整个句子进行分类，而不是像原始教程中那样对每个词进行分类？
回答：
我通过简单地获取最后的隐藏状态解决了这个问题
tag_space = self.hidden2tag(lstm_out[-1])