【动手学习pytorch笔记】26.深度循环神经网络

最新推荐文章于 2024-09-17 19:15:06 发布

原创最新推荐文章于 2024-09-17 19:15:06 发布 · 780 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#rnn #pytorch #学习 #lstm #深度学习

pytorch学习笔记专栏收录该内容

42 篇文章

订阅专栏

本文介绍了如何使用PyTorch实现深度循环神经网络(LSTM)模型，详细步骤包括加载Time Machine数据集、构建模型结构、设置训练参数并进行训练。实验结果展示了模型在时间序列预测中的性能，如perplexity和平均每秒处理的token数。

深度循环神经网咯

在这里插入图片描述

import torch
from torch import nn
from d2l import torch as d2l

batch_size, num_steps = 32, 35
train_iter, vocab = d2l.load_data_time_machine(batch_size, num_steps)

直接用框架实现

vocab_size, num_hiddens, num_layers = len(vocab), 256, 2
num_inputs = vocab_size
device = d2l.try_gpu()
lstm_layer = nn.LSTM(num_inputs, num_hiddens, num_layers)
model = d2l.RNNModel(lstm_layer, len(vocab))
model = model.to(device)

lstm_layer = nn.LSTM(num_inputs, num_hiddens, num_layers)

这里用的是LSTM模块，num_layers参数定义层数

num_epochs, lr = 500, 2
d2l.train_ch8(model, train_iter, vocab, lr, num_epochs, device)

perplexity 1.0, 93583.7 tokens/sec on cuda:0
time travelleryou can show black is white by argument said filby
travelleryou can show black is white by argument said filby

在这里插入图片描述