我正在点云上实现与DeepSets架构紧密相关的内容：
https://arxiv.org/abs/1703.06114
这意味着我正在使用一组输入（坐标），完全连接的层分别处理每个输入，然后对它们进行平均池化（然后进行进一步处理）。
每个样本 i 的输入是形状为[L_i, 3]的张量，其中L_i是点数，最后一个维度是3，因为每个点具有x，y，z坐标。至关重要的是，L_i取决于示例。因此，每个实例的点数不同。当我将所有内容放入批处理中时，当前所有i的输入形状均为[B, L, 3]，其中L大于L_i。各个样本都填充有0。问题是网络不会忽略0，而是将其处理并送入平均池中。相反，我希望平均池仅考虑实际点（而不填充0）。我确实有另一个存储长度[L_1, L_2, L_3, L_4...]的数组，但是我不确定如何使用它。
我的问题是：您如何以最优雅的方式处理一批不同的输入大小？
这是模型的定义方式：
encoder = nn.Sequential(nn.Linear(3, 128), nn.ReLU(), nn.Linear(128, 128))
x = self.encoder(x)
x = x.max(dim=1)[0]
decoder = ...