PyTorch -- LSTM 快速实践

上篇介绍了 RNN 快速实践；使用 LSTM 的话，可以解决梯度离散及短期记忆问题；代码部署方面，增加了 c 值 (即 RNN 中的 h 变成了 LSTM 中的 (h,c)), 可对照 RNN 快速实践 来快速掌握。

---

• LSTM Layer torch.nn.LSTM(input_size,hidden_size,num_layers,batch_first)
  • input_size: 输入的编码维度
  • hidden_size: 隐含层的维数
  • num_layers: 隐含层的层数
  • batch_first: ·True 指定输入的参数顺序为：
    • x：[batch, seq_len, input_size] # 或者用符号 c0
    • h0：[batch, num_layers, hidden_size]
• LSTM 的输入：
  • x：[seq_len, batch, input_size] # 或者用符号 c0
    • seq_len: 输入的序列长度
    • batch: batch size 批大小
  • (h0, c0)：[num_layers, batch, hidden_size]
• LSTM 的输出：
  • y: [seq_len, batch, hidden_size]
  • (ht, ct)：[num_layers, batch, hidden_size]

---

..........

三个门 ($\sigma$处:遗忘f、输入i、输出o) 都是基于 ${\mathbf{x}}_t$ 和 ${\mathbf{h}}_{t-1}$ 产生，但是分别对应要学习的权重参数 $W$ 不同，或可参照下简化图直观理解 LSTM 模块内部的处理流程

---

• 实战之预测 正弦曲线：以下会以此为例，演示 RNN 预测任务的部署

  

  • 下述示例代码已注明区别行 ########################### （共3处）

  • 步骤一：确定 RNN Layer 相关参数值并基于此创建 Net (RNN->LSTM)

    import numpy as np
    from matplotlib import pyplot as plt
    
    import torch
    import torch.nn as nn
    import torch.optim as optim
    
    
    seq_len     =