TensorFlow中pad_sequences填的是0（默认value=0），应填在序列末尾（padding='post'）或开头（'pre'），需配合Masking层（mask_value=0）置于Embedding后、LSTM前，或改用tf.data.padded_batch动态填充、RaggedTensor避免填充。
TensorFlow里pad_sequences填的是什么、怎么填才不崩
变长序列直接喂进tf.keras.layers.LSTM会报错：ValueError: Input 0 of layer lstm is incompatible with the layer——因为张量第二维（时间步）必须固定。所以得先统一长度，但“填零”不是随便填：填在开头还是结尾，会影响模型对时序的理解。
用tf.keras.preprocessing.sequence.pad_sequences最稳妥，它默认在**序列开头补零**（padding='pre'），符合多数RNN从左到右读取的习惯；若任务关注尾部（比如倒序预测），才改用padding='post'。
-
maxlen设太小：截断有效信息，尤其短文本分类容易丢关键词 -
maxlen设太大：显存暴涨，batch size被迫压低，训练变慢 - 别用
np.pad手动补——它不带mask逻辑，后续Masking层认不出来哪些是填的
示例：
from tensorflow.keras.preprocessing.sequence import pad_sequences<br>sequences = [[1, 2], [3, 4, 5, 6], [7]]<br>padded = pad_sequences(sequences, maxlen=5, padding='post', value=0)
结果是[[1, 2, 0, 0, 0], [3, 4, 5, 6, 0], [7, 0, 0, 0, 0]]。
为什么加了Masking层模型还是学到了填充位
填完零只是让张量形状合法，LSTM或Attention仍会把0当正常输入算一遍。必须显式告诉模型“这些位置跳过”。Masking层只认mask_value参数指定的值（默认0），且只作用于**紧邻它的下一层**。
- 如果填的是-1，就得写
Masking(mask_value=-1)，否则无效 - 放在
Embedding之后、LSTM之前才起作用；放错位置等于没加 - Transformer类模型（如
MultiHeadAttention）需配合attention_mask参数，Masking层对它无效
典型结构：
model = tf.keras.Sequential([<br> tf.keras.layers.Embedding(vocab_size, 64),<br> tf.keras.layers.Masking(mask_value=0),<br> tf.keras.layers.LSTM(32)<br>])
自定义tf.data.Dataset做动态padding更省显存
预处理时用pad_sequences会把所有样本拉到全局最长，浪费内存。真实场景中，按batch内最长序列padding更高效，tf.data.Dataset.padded_batch就是干这个的。
-
padded_shapes必须和数据结构对齐：比如输入是(features, labels)，就得写成({‘x’: [None], ‘y’: []}, []) -
padding_values默认全0，但字符串特征得显式设为''，否则报TypeError: Expected string, got 0 of type 'int' - 注意
drop_remainder=True能避免最后一个小batch shape不一致，但会丢数据
示例：
dataset = dataset.padded_batch(<br> batch_size=32,<br> padded_shapes=({'text': [None]}, [None]),<br> padding_values=({'text': 0}, 0)<br>)
tf.keras.utils.pad_sequences vs tf.ragged.constant选哪个
如果你的模型支持RaggedTensor（比如tf.keras.layers.RNN配合ragged=True，或TF 2.10+的TextVectorization输出），直接用tf.ragged.constant更干净——它不填充，不引入虚假时序依赖，也不需要Masking。
-
RaggedTensor不能直接进Dense层，必须先to_tensor()或reduce_mean()等聚合 - 部分旧版Keras层（如
Conv1D）不支持Ragged输入，会报ValueError: Input tensor must be regular - 调试时
print(tensor.shape)看到(None, None)就说明是Ragged，别慌，这是正常表现
简单判断：纯文本分类/序列标注优先试Ragged；要兼容老代码或部署到TFLite，还是老实用padding+masking。
真正麻烦的不是怎么填零，而是填完之后模型是否真的“看不见”那些零——得看Masking位置、attention_mask传参、还有Ragged转Tensor时的聚合方式。这几个地方漏一个，padding就白做了。
