最近在看基于LSTM的的NER的任务，但是对padding有一些不解的地方
问题描述：
实体标签的数量：7，分别用数字1、2、3、4、5、6、7表示，因为在padding部分的标签补的是0，所以魏从0开始表示，那么padding之后标签的为0、1、2、3、4、5、6、7，变成8个了，一直很困惑第8类标签到底是什么？但在测试的语料中也未找到第8类标签，大胆的猜测是因为padding部分并未加入计算，具体是这个样子吗？
在网络这块用到的是tf.dynamic_rnn()
self.lstm：网络的状态
word_vectors：已经padding过后的输入
sequence_length：传入的是batch中每一个句子的实际长度（这个参数貌似在告诉我之前的猜测是对的）
查了一些资料，在https://blog.csdn.net/u010223750/article/details/71079036这篇博客中对tf.dynamic_rnn()有了比较详细且干货的讲解
虽然对输入的数据按照最长的句子进行了补0操作（padding），但是在真正的计算中会把补0的部分不加入计算行列，这样神经网络就不会学习到所谓的第8类标签
https://www.zhihu.com/question/52200883/answer/153694449 这个上面的Jarvis贾博士的回答也可以看一下