pytorch 对变长序列的处理

一开始写这篇随笔的时候还没有了解到 Dateloader有一个 collate_fn 的参数，通过定义一个collate_fn 函数，其实很多batch补齐到当前batch最长的操作可以放在collate_fn 里面去，这样代码在训练和模型中就可以更加简洁。有时间再整理一下这个吧。

_________________________________________

使用的主要部分包括：Dateset、 Dateloader、MSELoss、PackedSequence、pack_padded_sequence、pad_packed_sequence

模型包含LSTM模块。

参考了下面两篇博文，总结了一下。对PackedSequence相关的理解可以先看这两篇。本文主要是把这些应用从数据准备到loss计算都串起来大致提供了一下代码思路，权当给自己的提醒备份吧。或者看完下面两篇，但是不知道具体怎么操作的朋友们一个参考。

http://www.cnblogs.com/lindaxin/p/8052043.html#commentform

https://blog.csdn.net/lssc4205/article/details/79474735

使用Dateset构建数据集的时候，在__getitem__函数中把所有数据先补齐到 全局最长序列的长度。

def __getitem__(self, index):
    '''
get original data
此处省略获取原始数据的代码
input_data，output_data
数据shape是  seq_length * feature_dim
    '''
# 当前seq_length小于所有数据中的最长数据长度，则补0到同一长度。
    ori_length = input_data.shape[0]
    if ori_length < self.max_len:
        npi = np.zeros(self.input_feature_dim, dtype=np.float32)
        npi = np.tile(npi, (self.max_len - ori_length,1))
        input_data = np.row_stack((input_data, npi))
        npo = np.zeros(self.output_feature_dim, dtype=np.float32)
        npo = np.tile(npo, (self.max_len - ori_length,1))
        output_data = np.row_stack((output_data, npo))
    return input_data, output_data, ori_length, input_data_path

在模型中，forward的实现中，需要在LSTM之前使用pack_padded_sequence、在LSTM之后使用pad_packed_sequence，中间还涉及到顺序的还原之类的操作。

def forward(self, input_x, length_list, hidden=None):
    if hidden is None:
        # 这里没用 配置中的batch_size，而是直接在input_x中取batch_size是为了防止last_batch的batch_size不是配置中的那个，引发bug
        h_0 = input_x.data.new(self.directional*self.layer_num, input_x.shape[0], self.hidden_dim).fill_(0).float()
        c_0 = input_x.data.new(self.directional*self.layer_num, input_x.shape[0], self.hidden_dim).fill_(0).float()
    else:
        h_0, c_0 = hidden
    '''
省略模型其他部分，直接进去LSTM前后的操作
    '''
    _, idx_sort = torch.sort(length_list, dim=0, descending=True)
    _, idx_unsort = otrch.sort(idx_sort, dim=0)

    input_x = input_x.index_select(0, Variable(idx_sort))
    length_list = list(length_list[idx_sort])
    pack = nn_utils.rnn.pack_padded_sequence(input_x, length_list, batch_first=self.batch_first)
    output, hidden = self.BiLSTM(pack, (h0, c0))
    un_padded = nn_utils.rnn.pad_packed_sequence(output, batch_first=self.batch_first)
    un_padded = un_padded[0].index_select(0, Variable(idx_unsort))
# 此时的un_padded已经完成了还原，并且补0完成，而且这时的补0到的序列长度是当前batch的最长长度，而不是Dateset中的全局最长长度！
# 所以在main train函数中也要对label的seq做处理
    return un_padded

main train中，要对label做相应的截断处理，因为模型返回的长度已经是补齐到当前batch的最长序列长度了，而dateset返回的label是补齐到全局最长序列长度。算loss的时候，MSELoss的reduce参数要设置成false，让loss函数返回一个loss矩阵，再构造一个01掩膜矩阵mask，矩阵相乘求和得到真的loss（达到填充0的位置不参与loss的目的）

def train(**kwargs):
　　train_data = my_dataset()
　　train_dataloader = DataLoader(train_data, opt.batch_size, shuffle=True, num_workers=opt.num_workers)
　　model = getattr(models, opt.model)(batchsize=opt.batch_size)
　　criterion = torch.nn.MSELoss(reduce=False)
　　lr = opt.lf
　　optimizer = torch.optim.Adam(model.parameters(), lr=lr, weight_decay=opt.weight_decay)
　　for epoch in range(opt.start_epoch, opt.max_epoch):
　　　　for ii, (data, label, length_list,_) in tqdm(enumerate(train_dataloader)):
　　　　　　cur_batch_max_len = length_list.max()
　　　　　　data = Variable(data)
　　　　　　target = Variable(label)

　　　　　　optimizer.zero_grad()
　　　　　　score = model(data, length_list)
　　　　　　loss_mat = criterion(score, target)
　　　　　　list_int = list(length_list)
　　　　　　mask_mat = Variable(t.ones(len(list_int),cur_batch_max_len,opt.output_feature_dim))
　　　　　　num_element = 0
　　　　　　for idx_sample in range(len(list_int)):
　　　　　　　　num_element += list_int[idx_sample] * opt.output_feature_dim
　　　　　　　　if list_int[idx_sample] != cur_batch_max_len:
　　　　　　　　　　mask_mat[idx_sample, list[idx_sample]:] = 0.0

　　　　　　loss = (loss_mat * mask_mat).sum() / num_element
　　　　　　loss.backward()
　　　　　　optimizer.step()