tensorflow - 文本分类中 CNN 模型输入的可变大小？

Question

我基于这个 paper 实现了用于文本分类的 CNN 模型.由于 CNN 只能处理固定大小的句子，所以我将输入的大小设置为数据集中句子的最大长度，并对短句子进行零填充。但是据我理解，无论输入的句子有多长，max pooling 策略总是会为每个 filter map 只提取一个值。所以输入句子的大小无关紧要，因为在过滤器卷积/池化之后，输出将是相同的大小。在这种情况下，为什么要将所有短句补零到固定大小？

比如我给CNN模型输入数据的代码是self.input_data = tf.placeholder(tf.int32,[None,max_len],name="input_data")，我可以吗不指定max_len，而使用基于当前训练句子长度的None value？

此外，我想知道是否有其他新方法可以解决CNN模型的可变输入问题。我还找到了另一个paper那可以解决这个问题，但是据我了解，它只使用了k个值的max-pooling，而不是1个max-pooling的值，这可以处理变量句子？怎么办？

Answer 1

快速回答:

不可以

更长的答案:

池化就像一个reduce函数。将它应用到图层上会减小尺寸。但是不同的输入形状不会产生相同的输出形状。但是，使用零填充，您可能可以模拟这一点，我们正在使用 max_len 进行模拟。因此，在第二篇论文中，想法是拥有一个动态计算图。这和以前不一样了。它基本上是创建几个不同深度的网络(取决于它们的输入大小)。编码器-解码器架构的通用版本称为 bytenet