在处理变长输入序列时，可以使用注意力机制来计算填充令牌的注意力分数。下面是一个Python代码示例，使用PyTorch库来实现：

import torch
import torch.nn as nn

class Attention(nn.Module):
    def __init__(self):
        super(Attention, self).__init__()

    def forward(self, input_sequence, input_lengths):
        # 获取输入序列的长度
        seq_len = input_sequence.size(1)

        # 创建注意力权重，形状为(batch_size, seq_len)
        attention_weights = torch.zeros_like(input_sequence[:, :, 0])

        # 对每个输入序列进行填充令牌的注意力分数计算
        for i in range(seq_len):
            # 只计算长度内的注意力权重
            attention_weights[:, i] = (i < input_lengths).float()

        # 归一化注意力权重
        attention_weights = attention_weights / torch.sum(attention_weights, dim=1, keepdim=True)

        # 返回填充令牌的注意力分数
        return attention_weights

在这个示例中，我们定义了一个名为Attention的注意力模块。在forward方法中，我们传入输入序列和输入序列的长度。然后，我们根据输入序列的长度创建一个注意力权重矩阵，其中每个元素对应一个输入令牌，并且填充令牌的位置的注意力分数为0，其他位置的分数为1。接下来，我们将注意力权重归一化，以确保它们的和为1。最后，我们将填充令牌的注意力分数返回。

请注意，这只是一个示例代码，仅用于演示如何计算填充令牌的注意力分数。实际上，注意力机制通常与其他模型组件（如编码器和解码器）一起使用，并且计算注意力分数的方式可能会有所不同。具体实现会根据具体的任务和模型架构而有所不同。