详细理解pytorch的lstm参数

最新推荐文章于 2025-06-18 16:11:35 发布

hufei_neo

最新推荐文章于 2025-06-18 16:11:35 发布

阅读量4.3k

点赞数 3

CC 4.0 BY-SA版权

分类专栏： pytorch_toturials 文章标签： lstm pytorch lstm的例子循环神经网络 lstm参数

本文链接：https://blog.youkuaiyun.com/hufei_neo/article/details/94435294

本文详细介绍了PyTorch中LSTM神经网络的参数及其作用，包括输入大小、隐藏层尺寸、层数、偏置、批次优先、丢弃率和双向LSTM等。此外，还解释了输入输出张量的形状以及如何处理初始隐藏状态和单元状态。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

lstm(*input, **kwargs)

将多层长短时记忆(LSTM)神经网络应用于输入序列。

参数:
input_size:输入'x'中预期特性的数量
hidden_size:隐藏状态'h'中的特性数量
num_layers:循环层的数量。例如，设置' ' num_layers=2 ' '意味着将两个LSTM堆叠在一起，形成一个'堆叠的LSTM '，第二个LSTM接收第一个LSTM的输出并计算最终结果。默认值:1
bias:如果' False'，则该层不使用偏置权重' b_ih '和' b_hh '。默认值:'True'
batch_first:如果' 'True ' ',则输入和输出张量作为(batch, seq, feature)提供。默认值: 'False'
dropout:如果非零，则在除最后一层外的每个LSTM层的输出上引入一个“dropout”层，相当于:attr:'dropout'。默认值:0
bidirectional:如果‘True’，则成为双向LSTM。默认值:'False'

输入:input，(h_0, c_0)
**input**of shape (seq_len, batch, input_size):包含输入序列特征的张量。输入也可以是一个压缩的可变长度序列。
see:func:'torch.nn.utils.rnn.pack_padded_sequence' 或:func:'torch.nn.utils.rnn.pack_sequence' 的细节。
**h_0** of shape (num_layers * num_directions, batch, hidden_size):张量包含批处理中每个元素的初始隐藏状态。
如果RNN是双向的，num_directions应该是2，否则应该是1。
**c_0** of shape (num_layers * num_directions, batch, hidden_size):张量包含批处理中每个元素的初始单元格状态。

如果没有提供' (h_0, c_0) '，则**h_0*