PackedSequence¶

class torch.nn.utils.rnn.PackedSequence(data, batch_sizes=None, sorted_indices=None, unsorted_indices=None)[源代码]¶

保存已打包序列的数据和 batch_sizes 列表。

所有 RNN 模块都接受打包的序列作为输入。

注意

永远不要手动创建此类的实例。它们旨在通过诸如 pack_padded_sequence() 之类的函数实例化。

批次大小表示批次中每个序列步骤的元素数量，而不是传递给 pack_padded_sequence() 的不同序列长度。例如，给定数据 abc 和 x，PackedSequence 将包含数据 axbc，其中 batch_sizes=[2,1,1]。

变量

data (Tensor) – 包含打包序列的张量
batch_sizes (Tensor) – 包含有关每个序列步骤的批次大小信息的整数张量
sorted_indices (Tensor, 可选) – 包含此 PackedSequence 如何从序列构建的整数张量。
unsorted_indices (Tensor, 可选) – 包含如何使用此 PackedSequence 以正确顺序恢复原始序列的整数张量。

返回类型

Self

注意

data 可以是任意设备上的任意数据类型。 sorted_indices 和 unsorted_indices 必须是与 data 相同设备上的 torch.int64 张量。

但是，batch_sizes 始终应该是 CPU 上的 torch.int64 张量。

此不变性在整个 PackedSequence 类中保持不变，并且所有在 PyTorch 中构建 PackedSequence 的函数（即，它们只传入符合此约束的张量）都是如此。

index(value, start=0, stop=9223372036854775807, /)¶

返回值的第一个索引。

如果值不存在，则会引发 ValueError。

is_pinned()[source]¶

如果 self.data 存储在固定内存中，则返回 True。

to(dtype: dtype, non_blocking: bool = ..., copy: bool = ...) → Self[source]¶

to(device: Optional[Union[str, device, int]] = ..., dtype: Optional[dtype] = ..., non_blocking: bool = ..., copy: bool = ...) → Self

to(other: Tensor, non_blocking: bool = ..., copy: bool = ...) → Self

对 self.data 执行数据类型和/或设备转换。

它的签名与 torch.Tensor.to() 类似，除了可选参数（如 non_blocking 和 copy）应作为关键字参数传递，而不是位置参数，否则它们不会应用于索引张量。

注意

如果 self.data 张量已经具有正确的数据类型和设备，则返回 self。否则，返回具有所需配置的副本。

文档