我正在尝试使用TensorFlow中的dynamic_rnn函数来加速训练。经过一些阅读，我了解到加速训练的一种方法是明确传递一个值给该函数中的sequence_length参数。进一步阅读后，并找到这个Stack Overflow的解释，似乎我需要传递的是一个向量（可能由tf.placeholder定义），该向量包含批次中每个序列的长度。
让我感到困惑的地方在于：为了利用这一点，我应该将每个批次填充到批次中最长的序列长度，而不是训练集中最长的序列长度吗？TensorFlow如何处理任何较短序列中的剩余零值/填充标记？此外，这里主要的优势真的是速度，还是只是在训练期间确保我们掩盖了填充标记的额外保证？任何帮助/背景信息将不胜感激。
回答：
我应该将每个批次填充到批次中最长的序列长度，而不是训练集中最长的序列长度吗？
批次内的序列必须对齐，即必须具有相同的长度。因此，您问题的总体答案是“是的”。但不同的批次不必具有相同的长度，因此您可以将输入序列分层成大小大致相同的组，并相应地填充它们。这种技术称为分桶，您可以在此教程中阅读相关内容。
TensorFlow如何处理任何较短序列中的剩余零值/填充标记？
这几乎是直观的。tf.nn.dynamic_rnn返回两个张量：output和states。假设实际序列长度为t，填充后的序列长度为T。
那么output在i > t之后将包含零，而states将包含第t个单元的状态，忽略尾随单元的状态。
这是一个示例：
import numpy as npimport tensorflow as tfn_steps = 2n_inputs = 3n_neurons = 5X = tf.placeholder(dtype=tf.float32, shape=[None, n_steps, n_inputs])seq_length = tf.placeholder(tf.int32, [None])basic_cell = tf.nn.rnn_cell.BasicRNNCell(num_units=n_neurons)outputs, states = tf.nn.dynamic_rnn(basic_cell, X, sequence_length=seq_length, dtype=tf.float32)X_batch = np.array([ # t = 0 t = 1 [[0, 1, 2], [9, 8, 7]], # instance 0 [[3, 4, 5], [0, 0, 0]], # instance 1 [[6, 7, 8], [6, 5, 4]], # instance 2])seq_length_batch = np.array([2, 1, 2])with tf.Session() as sess: sess.run(tf.global_variables_initializer()) outputs_val, states_val = sess.run([outputs, states], feed_dict={ X: X_batch, seq_length: seq_length_batch }) print(outputs_val) print() print(states_val)请注意，实例1被填充，因此outputs_val[1,1]是一个零向量，且states_val[1] == outputs_val[1,0]：
[[[ 0.76686853 0.8707901 -0.79509073 0.7430128 0.63775384] [ 1. 0.7427926 -0.9452815 -0.93113345 -0.94975543]] [[ 0.9998851 0.98436266 -0.9620067 0.61259484 0.43135557] [ 0. 0. 0. 0. 0. ]] [[ 0.99999994 0.9982034 -0.9934515 0.43735617 0.1671598 ] [ 0.99999785 -0.5612586 -0.57177305 -0.9255771 -0.83750355]]][[ 1. 0.7427926 -0.9452815 -0.93113345 -0.94975543] [ 0.9998851 0.98436266 -0.9620067 0.61259484 0.43135557] [ 0.99999785 -0.5612586 -0.57177305 -0.9255771 -0.83750355]]此外，这里主要的优势真的是速度，还是只是在训练期间确保我们掩盖了填充标记的额外保证？
当然，批处理比一次一个地输入序列更有效。但指定长度的主要优势是您可以从RNN中获得合理的状态，即填充项不会影响结果张量。如果您不设置长度，但手动选择正确的状态，您将获得完全相同的结果（和相同的速度）。
