RNN各个参数含义

a2428083131

已于 2022-05-27 19:08:24 修改

阅读量4.4k

点赞数 1

文章标签： rnn pytorch 深度学习

于 2022-01-13 17:24:25 首次发布

本文链接：https://blog.youkuaiyun.com/a2428083131/article/details/122478655

版权

本文介绍了使用PyTorch实现RNN模型的过程，详细解释了输入输出参数的意义，包括输入张量的维度、隐藏层的设置等，并通过具体实例展示了如何创建模型、定义输入以及获取输出。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import torch
import torch.nn as nn

# RNN模型
'''
第一个参数：input_size(输入张量x的维度)
第二个参数：hidden_size（隐藏层维度，隐藏层的神经元个数）
第三个参数：num_layer(隐藏层的数量)
'''
rnn = nn.RNN(5, 6, 1)
'''
第一个参数：sequence_length(输入序列长度)
其中sequence_length代表时间步，代表了RNN内部的细胞数量
第二个参数：batch_size(批次的样本数量)
第三个参数：input_size(输入张量的维度)
'''
input = torch.randn(3, 8, 5)
'''
第一个参数：num_layer * num_direction(层数*网络方向）
第二个参数：batch_size(批次的样本数)
第三个参数：hidden_size(隐藏层的维度， 隐藏层神经元的个数)
'''
h0 = torch.randn(1, 8, 6)
output, hn = rnn(input, h0)
print(h0)
print(h0.shape)  # torch.Size([1, 8, 6])
print(input)
print(input.shape)  # torch.Size([3, 8, 5])