RNN网络数据经过各层维度变化_rnn的序列长度与特征维度-优快云博客

对RNN网络的预操作：

因为我们如果要看数据在经过各个网络结构的维度变化，所以就需要将每一层变化后的输入输出值打印出来（在模型构建的时候）。

代码

 def construct(self, inputs):
        embedded = self.embedding(inputs) #将input放入嵌入层
        print(embedded.shape)             #打印数据经过嵌入层的形状，以此作为下一层的输入值

        _, (hidden, _) = self.rnn(embedded)#将经过嵌入层的数据传入隐藏层，这里存在正向和反向两个隐藏层以增强特征
        print(hidden.shape)                #打印单个隐藏层的形状

        hidden = ops.concat((hidden[-2, :, :], hidden[-1, :, :]), axis=1) 
                                           #将正向反向隐藏层合并
        print(hidden.shape)                #打印合并后的形状，以此作为全连接层的输入    

        output = self.fc(hidden)           #将合并后的数据传入全连接层层
        print(output.shape)                #打印最终数据的形状

        return output

各层作用

嵌入层（self.embedding(inputs)）将输入的离散整数序列（如文本的词索引）转换为连续的低维稠密向量（词向量）。这些向量通过学习获得，能够捕捉词与词之间的语义关联（如近义词的向量更相似），将离散的符号信息转化为模型可理解的连续特征。
RNN 层（self.rnn(embedded)）以嵌入层输出的词向量序列为输入，通过循环神经网络（RNN）提取序列的时序特征。由于代码中涉及正向和反向隐藏状态，推测为双向 RNN—— 既从序列开头到结尾（前向）、也从结尾到开头（后向）处理序列，从而同时捕捉两个方向的时序依赖关系（如上下文语义），增强对整个序列的理解。
拼接操作（ops.concat(...)）将双向 RNN 最后一层的前向隐藏状态和后向隐藏状态进行融合。前向状态捕捉了从左到右的序列信息，后向状态捕捉了从右到左的序列信息，拼接后可综合两种视角的特征，得到更全面的序列全局表示。
全连接层（self.fc(hidden)）以拼接后的融合特征为输入，通过全连接层将高维特征映射到具体任务的输出空间。在分类任务中（如文本情感分析），其作用是将融合后的序列特征转换为对应类别的预测结果（如二分类中的 “正面 / 负面” 分数）。

批次数据的提取

思路

实例化迭代器使用next（）方法将imdb_train一个批次的数据提取出来

代码

model = RNN(embeddings, hidden_size, output_size, num_layers, bidirectional, pad_idx)
                                    #^模型的实例化

one_batch = next(iter(imdb_train))  #实例化迭代器将第一批次的数据取出，这里一个批次为64
input,label = one_batch             #将数据的输入和标签分离
model(dataw)                        #将数据丢入模型查看数据经过各层的维度变化