机器学习-LSTM中的几个参数理解

Gaosiy

于 2022-12-21 10:54:06 发布

阅读量3.3k

点赞数 1

分类专栏：机器学习文章标签： lstm 深度学习

本文链接：https://blog.youkuaiyun.com/huiyuanliyan/article/details/128393651

版权

本文通过一个30天购物数据的例子，详细解析了RNN中LSTM架构的重要参数，包括input_size（每天数据的维度，如5种商品）、hidden_size（隐藏层大小，影响网络复杂度）、num_layers（LSTM层数）和batch_first（输入数据格式）。这些参数在实际应用中需根据任务调整，以找到最佳性能和计算效率的平衡点。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

背景介绍

时间序列的处理使用RNN更为有效。但RNN中的一些参数理解起来与CNN差别很大，这篇文章主要梳理一下RNN中LSTM架构的几个关键参数以及如何理解这些参数。

以pytorch为例，我们首先看一下LSTM网络的构建过程

class RNN(nn.Module):
    def __init__(self):
        super(RNN, self).__init__()

        self.rnn = nn.LSTM(
            input_size=1,  
            hidden_size=64, 
            num_layers=1,  
            batch_first=True, 
        )
        self.out = nn.Linear(64, 2) 

    def forward(self, x):
        r_out, (h_n, h_c) = self.rnn(x, None) 
        out = self.out(h_n[0])
        return out