我已根据变量的变量维度更新了我的问题。
假设输入张量存储尺寸为10x3的3d点，10表示#points，3表示要素尺寸（比如x，y，z坐标）。变量的大小取决于输入张量，比如它的尺寸是10x10。当输入张量将其尺寸更改为50x3时，变量的尺寸也必须更改为50x50。
我知道在Tensorflow中，如果输入维度正在改变/未知，我们可以将其声明为tf.placeholder（None，3）。但是，我从来没有遇到变量大小正在变化/未知的情况，似乎变量总是具有固定的维度。
我目前正在学习PyTorch，并且不知道PyTorch是否支持此功能。任何信息将不胜感激！
=========原始问题========
我有一个变量，当输入尺寸改变时，尺寸可以改变。例如，如果输入为10x2，则变量应为10x10。如果输入为25x2，则变量应为25x25。据我所知，该变量用于存储权重，通常具有固定的维度。但是在我的例子中，变量的维度取决于输入数据，输入数据可以改变。 PyTorch目前是否支持这种功能？
谢谢！
答案 0 :(得分：1)
你的问题有点含糊不清。当你说，输入是torch.autograd.Variable时，你需要定义输入张量包含的内容。
我假设你在谈论rnn = nn.RNN(300, 256, 2) # emb_size=300,hidden_size=256,num_layers=2
input = Variable(torch.randn(10, 1, 300)) # sent_length=10,batch_size=1,emb_size=300
h0 = Variable(torch.randn(2, 1, 256)) # num_layers=2,batch_size=1,hidden_size=256
output, hn = rnn(input, h0)
。如果您想使用PyTorch的功能，您需要做的是通过目标函数所需形状的张量提供输入。
例如，如果您想在PyTorch中使用RNN来获得长度为10的输入句子，其中每个单词由300维向量（例如，单词嵌入）表示，那么您可以执行以下操作。
{{1}}
如果您有超过1个句子，那么您可以批量提供它们。在这种情况下，您需要填充它们以处理可变长度。正如您所看到的，RNN并不关心句子长度，它可以处理可变长度但是要批量提供多个句子，您需要填充。您可以在official documentation中探索相关的功能。
由于你没有提到你的输入实际是什么，我假设你需要具有可变时间步数的变量，在这种情况下PyTorch可以满足你的目的。实际上，PyTorch的开发是为了满足构建深度神经网络架构所需的所有基本功能。