请教文章截成的k段，在哪块代码出可以看出是分别输入模型处理？ about ccf-bdci-sentiment-analysis-baseline HOT 3 CLOSED

求解释下一个文章截成k端后怎么输入训练的，没有找到是在哪个地方“分别输入语言模型”的？如果是这样，理论上是不是不管多长的文章都可以通过切成很多端，分别输入处理了，不用截断文章了
BertForSequenceClassification中的forward：
def forward(self, input_ids, token_type_ids=None, attention_mask=None, labels=None,
position_ids=None, head_mask=None):

    flat_input_ids = input_ids.view(-1, input_ids.size(-1))
    flat_position_ids = position_ids.view(-1, position_ids.size(-1)) if position_ids is not None else None
    flat_token_type_ids = token_type_ids.view(-1, token_type_ids.size(-1)) if token_type_ids is not None else None

flat_attention_mask = attention_mask.view(-1, attention_mask.size(-1)) if attention_mask is not None else None
比如k＝2，input_ids中就包含文章划分的两端，通过view又展平了，那输入的长度还是没有变短？和不划分一样？

https://github.com/guoday/CCF-BDCI-Sentiment-Analysis-Baseline/blob/master/pytorch_transformers/modeling_bert.py
操作在995-1004行，将k段reshape回来，然后经过gru

from ccf-bdci-sentiment-analysis-baseline.

“操作在995-1004行，将k段reshape回来，然后经过gru”，是reshape成之前k端，再经过gru吧，这块我可以理解。主要不清楚的是，一个样本截成k端后，怎么输入bert模型处理的？是相当于变成k个样本吗（label都一样）？ output = pooled_output.reshape(input_ids.size(0),input_ids.size(1),-1).contiguous()，这里的pooled_output是k段的输出？

from ccf-bdci-sentiment-analysis-baseline.

“操作在995-1004行，将k段reshape回来，然后经过gru”，是reshape成之前k端，再经过gru吧，这块我可以理解。主要不清楚的是，一个样本截成k端后，怎么输入bert模型处理的？是相当于变成k个样本吗（label都一样）？ output = pooled_output.reshape(input_ids.size(0),input_ids.size(1),-1).contiguous()，这里的pooled_output是k段的输出？

一开始假设有m个样本，每个样本截成k段，那么输入就是(mk,max_len)，然后输入到bert,得到(mk,max_len,dim)，取cls的向量，得到(m*k,dim)。然后reshape成(m,k,dim)，经过gpu，得到(m,dim)

from ccf-bdci-sentiment-analysis-baseline.