Relleno y máscara de validez

Los videos reales tienen distinta cantidad de fotogramas, pero un tensor de lote es rectangular. Toma tres clips reales de longitud 4, 7 y 5 y rellénalos en un solo lote de orden 5 (3, 7, 135, 240, 3).

Lleva al lado una máscara booleana de validez (3, 7), de modo que valid.sum() == 16: los 4 + 7 + 5 fotogramas que son reales. Así el relleno queda visible en vez de promediarse dentro de los datos.

El mismo truco es como la atención maneja secuencias rellenadas: pon los puntajes rellenados en -np.inf antes del softmax.