convLSTM 理解与实现

最新推荐文章于 2025-05-29 21:17:41 发布

原创

最新推荐文章于 2025-05-29 21:17:41 发布 · 1.1w 阅读

44 ·

CC 4.0 BY-SA版权

这篇博客聚焦于convLSTM在PyTorch中的实现，探讨了如何重写cell以处理序列数据。文章指出，LSTM的cell调用与时序长度和层数相关，并解释了卷积权重参数的设定。通过cat操作合并输入与隐藏状态，使用卷积运算来执行i, f, c, o的计算。文中还举例说明了卷积过程，并展示了如何获取中间计算结果。" 80296334,7423310,欧几里德算法与扩展应用：求解线性同余方程与逆元,"['算法', '数学', '数论', '编程', '数据结构与算法']

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文主要是有关convLSTM的pytorch实现代码的理解，原理请移步其他博客。

在pytorch中实现LSTM或者GRU等RNN一般需要重写cell，每个cell中包含某一个时序的计算，也就是以下：

在传统LSTM中，LSTM每次要调用t次cell，t就是时序的总长度，如果是n层LSTM就相当于一共调用了n*t次cell

class ConvLSTMCell(nn.Module):

    def __init__(self, input_size, input_dim, hidden_dim, kernel_size, bias):
        """
        Initialize ConvLSTM cell.

        Parameters
        ----------
        input_size: (int, int)
            Height and width of input tensor as (height, width).
        input_dim: int
            Number of channels of input tensor.
        hidden_dim: int
            Number of channels of hidden state.
        kernel_size: (int, int)
            Size of the convolutional kernel.
        bias: bool
            Whether or not to add the bias.
        """

        su