9.5.4 加载数据集

我觉得这个问题的核心在于理解为什么在实际应用中，尽管 RNN 可以动态处理不同长度的序列，我们还是需要截断和填充。RNN 本身确实可以通过循环结构处理任意长度的序列，但实际应用中，我们通常需要批量处理数据，而批量数据的形状需要固定。如果每个序列的长度不同，GPU 无法高效地进行并行计算，因为每次循环的长度不同，会导致资源分配复杂且效率低下。

截断和填充的作用是确保所有序列的长度一致，这样可以充分利用 GPU 的并行计算能力，提高效率。此外，大多数深度学习框架在设计时假设输入数据是固定形状的，这简化了实现并提高了效率。即使 RNN 本身可以动态处理不同长度的序列，但在实际应用中，为了兼容性和效率，我们通常会通过截断和填充来统一序列长度。

看一下后面的 seq2seq 代码就知道了，batch_size和num_steps要进行交换，如果num_steps不统一就没办法交换了，此时就没办法进行矩阵乘法只有用for循环，但是这样肯定效率就低了