pytorch中的nn.LSTM模块参数详解

最新推荐文章于 2025-02-14 13:52:30 发布

Foneone

最新推荐文章于 2025-02-14 13:52:30 发布

阅读量4.1w

点赞数 103

分类专栏： pytorch 文章标签： nn.LSTM

本文链接：https://blog.youkuaiyun.com/foneone/article/details/104002372

版权

pytorch 专栏收录该内容

13 篇文章

订阅专栏

本文深入探讨了PyTorch中LSTM（长短期记忆网络）的使用方法，详细解析了其参数设定，如input_size、hidden_size等，并通过实例展示了不同参数配置下LSTM的输出变化，适合深度学习初学者及进阶者阅读。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

官网：https://pytorch.org/docs/stable/nn.html#torch.nn.LSTM

Parameters（参数）：

input_size ：输入的维度

hidden_size：h的维度

num_layers：堆叠LSTM的层数，默认值为1

bias：偏置，默认值：True

batch_first： 如果是True，则input为(batch, seq, input_size)。默认值为：False（seq_len, batch, input_size）

bidirectional ：是否双向传播，默认值为False

输入

（input_size,hideen_size）

以训练句子为例子，假如每个词是100维的向量，每个句子含有24个单词，一次训练10个句子。那么batch_size=10,seq=24,input_size=100。(seq指的是句子的长度，input_size作为一个 $x_{t}$ 的输入) ，所以在设置LSTM网络的过程中input_size=100。由于seq的长度是24，那么这个LSTM结构会循环24次最后输出预设的结果。如下图所示。

h的输出主要是看预设的hidden_size，这个hideen_size主要是下面LSTM公式中的各个W和b的维度设置，以 $g_{t}$ 为例子，假设hideen_size为16，则 $W_{ig}$ 为16*100， $x_{t}$ 为100*1， $W_{hg}$ 为16*16， $h_{t-1}$ 为16*1。

(num_layers,bidirectional)

两个的结构的区别如下图所示：

输出

output ：（seq_len, batch, num_directions * hidden_size）

h_n：(num_layers * num_directions, batch, hidden_size)

c_n ：（num_layers * num_directions, batch, hidden_size）

如何输出，可以看上面那张图，图中有具体的。

此外，在输入的过程中，也可以给定 $h_{0},c_{0}$ ，如果没有给定那么默认为0。

(1)例子num_layers

import torch.nn as nn
import torch
x = torch.rand(10,24,100)
lstm = nn.LSTM(100,16,num_layers=2)
output,(h,c) = lstm(x)
print(output.size())
print(h.size())
print(c.size())

output:
torch.Size([24, 10, 16])
torch.Size([2, 10, 16])
torch.Size([2, 10, 16])

(2) 例子 bidirectional

import torch.nn as nn
import torch
x = torch.rand(10,24,100)
lstm = nn.LSTM(100,16,bidirectional=True)
output,(h,c) = lstm(x)
print(output.size())
print(h.size())
print(c.size())

output:
torch.Size([24, 10, 32])
torch.Size([2, 10, 16])
torch.Size([2, 10, 16])

(3) 例子 h0 c0

import torch.nn as nn
import torch
x = torch.rand(24,10,100) #seq,batch,input_size
h0 = torch.rand(1,10,16)# num_layers*num_directions, batch, hidden_size
c0 = torch.rand(1,10,16)
lstm = nn.LSTM(100,16)
output,(h,c) = lstm(x,(h0,c0))