是否有办法将额外的功能标记与现有的单词标记（训练功能/源文件词汇表）一起传递并将其提供给seq2seq的编码器RNN？因为，它目前只接受句子中的一个单词标记。
让我以更具体的方式提出这个问题;考虑机器翻译的例子/ nmt - 假设我有2个相应的源词汇集（此处为Feature1）的特征列。例如，请考虑以下因素：
+---------+----------+----------+
|Feature1 | Feature2 | Feature3 |
+---------+----------+----------+
|word1 | x | a |
|word2 | y | b |
|word3 | y | c |
|. | | |
|. | | |
+---------+----------+----------+
总而言之，目前seq2seq数据集是并行数据语料库，其源特征（词汇，即单独的Feature1）与目标（标签/词汇）之间具有一对一的映射。我正在寻找一种方法将多个特征（即Feature1，Feature2，Feature3）映射到目标（标签/词汇）。
此外，我相信这在seq2seq-pytorch教程（https://github.com/spro/practical-pytorch/blob/master/seq2seq-translation/seq2seq-translation.ipynb）中有所掩盖，如下所述：
当使用单个RNN时，它们之间存在一对一的关系 输入和输出。我们很快会遇到不同的问题 翻译期间常见的序列和长度...... seq2seq模型，通过将许多输入编码到一个向量中，和 从一个向量解码到多个输出，我们从中解放出来 序列顺序和长度的约束。编码序列是 由单个向量表示，在一些N维中表示单个点 序列空间。在理想的情况下，这一点可以被认为是 序列的“含义”。
此外，我尝试了tensorflow并花了我很多时间来调试和进行适当的更改而无处可去。并且从我的同事那里得知，pytorch可以灵活地这样做，值得一试。
请分享您对如何在tensorflow或pytorch中实现相同的想法。任何人都会告诉我们如何实际完成/完成这项工作。提前谢谢。