MindSpore的RNN系列API设计是不做pack和pad的，而是使用seq_length来传入padding前的batch中每条数据的实际长度，来保证padding的值不参与运算。

改hidden size是什么骚操作。。。正确的方式应该是改max_call_depth，不要误导初学者。。。

seq_length输入的是每个batch中每条数据的实际长度。因为每个batch的输入长度要求相同，需要padding到同一长度，用seq_length可以保证padding的部分不参与运算，影响结果正确性。这一部分内容本身需要对LSTM有一定程度的理解，从文档角度给出的信息是足够的，后续可以考虑添加示意图来说明。

评论 装杯水：可以的

https://github.com/lvyufeng/easy_mindspore/blob/main/easy_mindspore/nn/functional.py#L205您好，建议直接复制这一段使用。后续会提交到开源仓

这是MindSpore的实现错误，具体可以看`mindspore/mindspore/python/mindspore/ops/composite/multitype_ops/_compile_utils.py` if isinstance(where, Tensor): if initial is None: const_utils.raise_value_error('initial value must be provided for where masks') ndim_orig = F.rank(a) # broadcasts input tensors shape_out = const_utils.infer_out_shape(F.shape(where), F.shape(a), F.shape(initial)) broadcast_to = P.BroadcastTo(shape_out) where = where.astype(mstype.float32) where = broadcast_to(where) where = where.astype(mstype.bool_) a = broadcast_to(a) initial = broadcast_to(initial) a = F.select(where, a, initial) axes = const_utils.real_axes(ndim_orig, F.rank(a), axes) return reduce_fn(a, axes).astype(dtype)这一段的处理逻辑是，先根据where替换值为initial，然后再进行reduce(你的例子里对应的是max)。这样你替换的initial是-1，再求max，-1只会是最小的。另外这里根据where替换的逻辑似乎也有问题。你可以直接上gitee提个issue。

???是和Pytorch一样的设计，说没用的理由是？？ batch_first为True, 则对应的输入shape应该是(batch_size, seq_length, input_size) batch_first为False, 则对应的输入shape应该是(seq_length, batch_size, input_size) 所以说没用的理由是？

知乎：https://zhuanlan.zhihu.com/p/476426992

master分支已支持，可以使用nightly版本。

可以用mindspore.numpy.ceil 或者你自己实现一个：ceil(x) = -floor(-x)ops.Floor算子是支持全平台的。