在阅读了这个问题的答案后，我对整个 PackedSequence 对象的事情仍然有点困惑。据我了解，这是一个针对循环模型中可变大小序列的并行处理而优化的对象，零填充是一个[不完美]解决方案。看起来，给定一个 PackedSequence 对象，Pytorch RNN 将处理批次中的每个序列直至结束，并且不会继续处理填充。那么为什么这里需要填充呢？为什么同时存在 pack_padded_sequence() 和 pack_sequence() 方法？
首先，我已经阅读了这个和这个与我名字相似的问题，但仍然没有答案。
我想建立一个用于序列预测的前馈网络。（我意识到 RNN 更适合这项任务，但我有我的理由）。序列的长度为 128，每个元素是一个有 2 个条目的向量，因此每个批次都应具有形状(batch_size, 128, 2)，目标是序列中的下一步，因此目标张量应具有形状(batch_size, 1, 2)。
网络架构是这样的：
model = Sequential()
model.add(Dense(50, batch_input_shape=(None, 128, 2), kernel_initializer="he_normal" ,activation="relu"))
model.add(Dense(20, kernel_initializer="he_normal", activation="relu"))
model.add(Dense(5, kernel_initializer="he_normal", activation="relu"))
model.add(Dense(2))
但是尝试训练时出现以下错误：
ValueError: Error when checking target: expected dense_4 to have shape (128, 2) but got array with shape (1, 2)
我尝试过以下变体：
model.add(Dense(50, input_shape=(128, 2), kernel_initializer="he_normal" ,activation="relu"))
但得到同样的错误。
我有一个（任意形状的）X整数数组，并且我想计算每个条目的阶乘的对数（精确地，不是通过Gamma函数）。数字足够大
np.log(scipy.special.factorial(X))
是不可行的。所以我想做类似的事情np.sum(np.log(np.arange(2,X+1)), axis=-1)
但是arange（）函数为每个条目赋予不同的大小，因此这是行不通的。我虽然想用填充，但是我不确定该怎么做。
能以向量化的方式完成吗？