有没有办法将额外的特征标记与现有的单词标记（训练特征/源文件词汇表）一起传递，并将其提供给 seq2seq 的编码器 RNN？因为，它目前一次只接受句子中的一个单词标记。
让我以更具体的方式说明这一点；考虑机器翻译/nmt 的示例 - 假设我有 2 个对应源词汇集的特征列（此处为 Feature1）。例如，考虑以下情况：
+---------+----------+----------+
|Feature1 | Feature2 | Feature3 |
+---------+----------+----------+
|word1 | x | a |
|word2 | y | b |
|word3 | y | c |
|. | | |
|. | | |
+---------+----------+----------+
总而言之，目前seq2seq数据集是并行数据语料库，在源特征（词汇，即仅Feature1）和目标（标签/词汇）之间具有一对一的映射关系。我正在寻找一种将多个特征（即Feature1、Feature2、Feature3）映射到目标（标签/词汇）的方法。
此外，我相信这在 seq2seq-pytorch 教程（https://github.com/spro/practical-pytorch/blob/master/seq2seq-translation/seq2seq-translation.ipynb）中被掩盖了，如下所示：
当使用单个 RNN 时，输入和输出之间存在一对一的关系。我们很快就会遇到翻译过程中常见的序列顺序和长度不同的问题……。使用 seq2seq 模型，通过将多个输入编码为一个向量，并将一个向量解码为多个输出，我们摆脱了序列的约束顺序和长度。编码序列由单个向量表示，即某个 N 维序列空间中的单个点。在理想情况下，这一点可以被认为是序列的“意义”。
此外，我尝试了 tensorflow，花了很多时间来调试和进行适当的更改，但一无所获。并且从我的同事那里听说 pytorch 可以灵活地执行此操作，值得一试。
请分享您对如何在 tensorflow 或 pytorch 中实现相同的想法。任何人都会告诉如何实际实施/完成这项工作。提前致谢。