pack_padded_sequence and pad_packed_sequence

此文章为阐述pytorch中pack_padded_sequence 和pad_packed_sequence的原理

在变长序列文本中，一个batch中的各样本长度可能不一致，在使用RNN模型时，需要填充至统一长度，被填充的位置实际无意义。我们通常取最后一个时刻的输出作为最终输出，但是填充后的最后时刻并非是原样本的最后时刻。为了获取每个样本真实的最后时刻位置输出，便有了pack_padded_sequence 和pad_packed_sequence。

如下图，句子yes被填充4个pad，为了获取句子的句向量，取最后时刻的输出，即最后一个pad位置的输出。但最自然的想法是获取yes位置的输出作为句向量。

1. pack_padded_sequence
   pack可理解为压缩，将一个batch中的样本按列压缩为一个序列。例如一个batch的样本为：
   [[1, 2, 3, 4],
   [2, 3, 5],
   [6,7],
   [8]]
   压缩后为：
   [[1, 2, 6, 8],
   [2, 3, 7],
   [3, 5],
   [4]]
   每个样本的第一列元素组成第一个列表，依次类推。
   这种形式和压缩前并无区别，为此，我们将序列变为一个list，即：
   [1, 2, 6, 8, 2, 3, 7, 3, 5, 4]
   变成这样后，为了方便还原成原形式，还记录原来每个list的长度：
   size = [4, 3, 2, 1]
   所以经过pack_padded_sequence后，我们得到两个列表：
   data=[1, 2, 6, 8, 2, 3, 7, 3, 5, 4]和size=[4, 3, 2, 1]
   在输入RNN时，按照[4, 3, 2, 1]的顺序，第一次输入data中4个值，然后输入3个值，以此类推。
   完整示例图如下：
   

2. pad_packed_sequence
   和pack_padded_sequence相反，该函数把压缩的序列再填充回来。默认填充为0。
   [[1, 2, 3, 4],
   [2, 3, 5, 0],
   [6, 7, 0, 0],
   [8, 0, 0 ,0]]
   实际值并非是原值，因为经过RNN后，输出值其维度和大小均与原值不同，此处只是为了方便理解函数，直接在原值中填充0。实际效果可看下面代码

3. 代码

import torch
import torch.nn as nn
from torch.autograd import Variable
from torch.nn import utilsbatch_size = 4
max_length = 4
hidden_size = 2
n_layers = 1# 实际上需要先按长度由大到小排好序，此处已排序好，并用0 pad为同一长度
input = torch.FloatTensor([[1, 2, 3, 4],[2, 3, 5， 0],[6,7， 0， 0],[8， 0， 0， 0]]).resize_(4, 4, 1)
input = Variable(input)
seq_len = [4，3, 2，1]  # 每个样本的长度pack = utils.rnn.pack_padded_sequence(input, seq_len, batch_first=True)
print(pack)  # 输出压缩后的结果rnn = nn.RNN(1, hidden_size, n_layers, batch_first=True)out, _ = rnn(pack)
print(out)  # 输出RNN输出结果unpacked = utils.rnn.pad_packed_sequence(out, batch_first=True)
print(unpacked)  # 输出扩充后的结果

输出压缩后的结果：

输出RNN输出结果：

因为代码中设置hidden_size=2，所以每个值输出为两个值，例如原值中[1.]输出结果为第一行的[0.7177, 0.2232]

输出扩充后的结果：