Pytorch 向LSTM输入具有多个可变维度的数据

我的数据是形状

批量大小*num路径*num边*emb尺寸
。在这里：


批次大小
：指批次大小（32）
num_path
：指依赖关系树中两个给定术语之间的路径数
num_edges
：指特定路径中的边数
emb_dim
：指嵌入维度（300）

对于每个训练样本，
num_路径
和
num_边
都是可变的。换句话说，对于每个训练样本，可能存在数量可变的路径，每个路径具有数量可变的边

（注意，
data
是本机Python中的一个n-d列表，因为两个维度（
num_路径
和
num_边
）是可变的。）

我希望将每个训练实例的每个路径作为输入传递给LSTM，因为路径是一系列边，我希望在通过LSTM后得到结果路径表示。在获得训练示例中每条路径的表示后，我想取所有这些表示的总和

我知道我可以通过
pack\u padded\u sequence
打包不同数量的边。但是可变数量的路径呢？我怎么解释呢？在原生Pytorch中有没有什么方法可以做到这一点，而不需要像迭代循环这样的复杂解决方案