Python 使用pytorch进行句子分类的多类（使用nn.LSTM）

我有这个网络，我从教程中得到的，我想把句子作为输入（已经完成了），结果是一个单线张量

从教程中，这句话“约翰的狗喜欢吃东西”，得到一个1列张量返回：

tensor([[-3.0462, -4.0106, -0.6096],
[-4.8205, -0.0286, -3.9045],
[-3.7876, -4.1355, -0.0394],
[-0.0185, -4.7874, -4.6013]])

…和类列表：

tag_list[ “name”, “verb”, “noun”]

每一行都有一个标记与单词关联的可能性。（第一个单词有[-3.0462，-4.0106，-0.6096]向量，其中最后一个元素对应于最大评分标记“名词”）

本教程的数据集如下所示：

training_data = [
    ("The dog ate the apple".split(), ["DET", "NN", "V", "DET", "NN"]),
    ("Everybody read that book".split(), ["NN", "V", "DET", "NN"])
]

我希望我的格式是这样的：

training_data = [
    ("Hello world".split(), ["ONE"]),
    ("I am dog".split(), ["TWO"]),
    ("It's Britney glitch".split(), ["THREE"])
]

参数定义为：

class LSTMTagger(nn.Module):
    def __init__(self, embedding_dim, hidden_dim, vocab_size, tagset_size):
        super(LSTMTagger, self).__init__()
        self.hidden_dim = hidden_dim
        self.word_embeddings = nn.Embedding(vocab_size, embedding_dim)
        self.lstm = nn.LSTM(embedding_dim, hidden_dim)
        self.hidden2tag = nn.Linear(hidden_dim, tagset_size)

    def forward(self, sentence):
        embeds      = self.word_embeddings(sentence)
        lstm_out, _ = self.lstm(embeds.view(len(sentence), 1, -1))
        tag_space   = self.hidden2tag(lstm_out.view(len(sentence), -1))
        tag_scores  = F.log_softmax(tag_space, dim=1)
        return tag_scores

到目前为止，输入和输出的大小不匹配，我得到： ValueError:预期输入批次大小（2）与目标批次大小（1）匹配

由于大小不匹配，Criteria函数不接受输入。看起来：

loss        = criterion(tag_scores, targets)

我已经读到最后一层可以定义为nn.Linear，以压缩输出，但我似乎无法得到任何结果。尝试其他损失函数

---

我如何更改它，使模型能够像原始教程那样对句子而不是每个单词进行分类？

我通过简单地获取最后一个单词的隐藏状态，解决了这个问题

tag_space   = self.hidden2tag(lstm_out[-1])