pytorch 学习 | 使用pytorch动手实现LSTM模块_pytorch替换lstm的tanh-优快云博客

本文介绍了LSTM在网络中的作用，包括输入、门控机制和输出，并通过PyTorch展示了LSTM模块的实现过程，对比了自定义实现与官方实现的差异，虽然存在细微差别，但结果保持一致。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

LSTM 简介

LSTM是RNN中一个较为流行的网络模块。主要包括输入，输入门，输出门，遗忘门，激活函数，全连接层（Cell）和输出。其结构如下：
在这里插入图片描述

上述公式不做解释，我们只要大概记得以下几个点就可以了：

当前时刻LSTM模块的输入有来自当前时刻的输入值，上一时刻的输出值，输入值和隐含层输出值，就是一共有四个输入值，这意味着一个LSTM模块的输入量是原来普通全连接层的四倍左右，计算量多了许多。
所谓的门就是前一时刻的计算值输入到sigmoid激活函数得到一个概率值，这个概率值决定了当前输入的强弱程度。 这个概率值和当前输入进行矩阵乘法得到经过门控处理后的实际值。
门控的激活函数都是sigmoid，范围在（0，1），而输出输出单元的激活函数都是tanh，范围在（-1，1）。

Pytorch实现如下：

import torch
import torch.nn as nn
from torch.nn import Parameter
from torch.nn import init
from torch import Tensor
import math

class NaiveLSTM(nn.Module):
    """Naive LSTM like nn.LSTM"""
    def __init__(self, input_size: int, hidden_size: int):
        super(NaiveLSTM, self).__init__()
        self.input_size = input_size
        self.hidden_size = hidden_size

        # input gate
        self.w_ii = Parameter(Tensor(hidden_size, input_size))
        self.w_hi = Parameter(Tensor(hidden_size, hidden_size))
        self.b_ii = Parameter(Tensor(hidden_size, 1))
        self.b_hi = Parameter(Tensor(hidden_size, 1))

        # forget gate
        self.w_if = Parameter(Tensor(hidden_size, input_size))
        self.w_hf = Parameter(Tensor