默認(rèn)只返回最后一個(gè)state，所以一次輸入一個(gè)step的input
# coding=UTF-8
import torch
import torch.autograd as autograd # torch中自動(dòng)計(jì)算梯度模塊
import torch.nn as nn # 神經(jīng)網(wǎng)絡(luò)模塊
torch.manual_seed(1)
# lstm單元輸入和輸出維度都是3
lstm = nn.LSTM(input_size=3, hidden_size=3)
# 生成一個(gè)長度為5，每一個(gè)元素為1*3的序列作為輸入，這里的數(shù)字3對(duì)應(yīng)于上句中第一個(gè)3
inputs = [autograd.Variable(torch.randn((1, 3)))
for _ in range(5)]
# 設(shè)置隱藏層維度，初始化隱藏層的數(shù)據(jù)
hidden = (autograd.Variable(torch.randn(1, 1, 3)),
autograd.Variable(torch.randn((1, 1, 3))))
for i in inputs:
out, hidden = lstm(i.view(1, 1, -1), hidden)
print(out.size())
print(hidden[0].size())
print("--------")
print("-----------------------------------------------")
# 下面是一次輸入多個(gè)step的樣子
inputs_stack = torch.stack(inputs)
out,hidden = lstm(inputs_stack,hidden)
print(out.size())
print(hidden[0].size())
print結(jié)果：
(1L, 1L, 3L)
(1L, 1L, 3L)
--------
(1L, 1L, 3L)
(1L, 1L, 3L)
--------
(1L, 1L, 3L)
(1L, 1L, 3L)
--------
(1L, 1L, 3L)
(1L, 1L, 3L)
--------
(1L, 1L, 3L)
(1L, 1L, 3L)
--------
----------------------------------------------
(5L, 1L, 3L)
(1L, 1L, 3L)
可見LSTM的定義都是不用變的，根據(jù)input的step數(shù)目，一次輸入多少step，就一次輸出多少output，但只輸出最后一個(gè)state
補(bǔ)充：pytorch中實(shí)現(xiàn)循環(huán)神經(jīng)網(wǎng)絡(luò)的基本單元RNN、LSTM、GRU的輸入、輸出、參數(shù)詳細(xì)理解
前言：這篇文章是對(duì)已經(jīng)較為深入理解了RNN、LSTM、GRU的數(shù)學(xué)原理以及運(yùn)算過程的人而言的，如果不理解它的基本思想和過程，可能理解起來不是很簡單。
一、先從一個(gè)實(shí)例看起
這是官網(wǎng)上面的一個(gè)例子，本次以LSTM作為例子而言，實(shí)際上，GRU、LSTM、RNN的運(yùn)算過程是很類似的。
import torch
import torch.nn as nn
lstm = nn.LSTM(10, 20, 2)
# 序列長度seq_len=5, batch_size=3, 數(shù)據(jù)向量維數(shù)=10
input = torch.randn(5, 3, 10)
# 初始化的隱藏元和記憶元,通常它們的維度是一樣的
# 2個(gè)LSTM層，batch_size=3,隱藏元維度20
h0 = torch.randn(2, 3, 20)
c0 = torch.randn(2, 3, 20)
# 這里有2層lstm，output是最后一層lstm的每個(gè)詞向量對(duì)應(yīng)隱藏層的輸出,其與層數(shù)無關(guān)，只與序列長度相關(guān)
# hn,cn是所有層最后一個(gè)隱藏元和記憶元的輸出
output, (hn, cn) = lstm(input, (h0, c0))
print(output.size(),hn.size(),cn.size())
# 分別是：
# torch.Size([5, 3, 20])
# torch.Size([2, 3, 20])
# torch.Size([2, 3, 20]))
后面我會(huì)詳細(xì)解釋上面的運(yùn)算過程，我們先看一下LSTM的定義，它是一個(gè)類
二、LSTM類的定義
class LSTM(RNNBase):
'''參數(shù)Args:
input_size: 輸入數(shù)據(jù)的特征維度，比如我對(duì)時(shí)間序列建模，特征為1，我對(duì)一個(gè)句子建模，每一個(gè)單詞的嵌入向量為10，則它為10
hidden_size: 即循環(huán)神經(jīng)網(wǎng)絡(luò)中隱藏節(jié)點(diǎn)的個(gè)數(shù)，這個(gè)是自己定義的，多少都可以，后面會(huì)詳說
num_layers: 堆疊的LSTM的層數(shù)，默認(rèn)是一層，也可以自己定義 Default: 1
bias: LSTM層是否使用偏置矩陣 偏置權(quán)值為 `b_ih` and `b_hh`.
Default: ``True``（默認(rèn)是使用的）
batch_first: 如果設(shè)置 ``True``, then the input and output tensors are provided
as (batch, seq, feature). Default: ``False``，(seq,batch,features)
dropout: 是否使用dropout機(jī)制，默認(rèn)是0，表示不使用dropout，如果提供一個(gè)非0的數(shù)字，則表示在每一個(gè)LSTM層之后默認(rèn)使用dropout，但是最后一個(gè)層的LSTM層不使用dropout。
bidirectional: 是否是雙向RNN，默認(rèn)是否，If ``True``, becomes a bidirectional LSTM. Default: ``False``
#---------------------------------------------------------------------------------------
類的構(gòu)造函數(shù)的輸入為Inputs: input, (h_0, c_0)
- **input** of shape `(seq_len, batch, input_size)`: tensor containing the features of the input sequence.
- **h_0** of shape `(num_layers * num_directions, batch, hidden_size)`: tensor
containing the initial hidden state for each element in the batch.
If the LSTM is bidirectional, num_directions should be 2, else it should be 1.
- **c_0** of shape `(num_layers * num_directions, batch, hidden_size)`: tensor
containing the initial cell state for each element in the batch.
If `(h_0, c_0)` is not provided, both **h_0** and **c_0** default to zero.
#----------------------------------------------------------------------------------
輸出是什么：Outputs: output, (h_n, c_n)
- **output** of shape `(seq_len, batch, num_directions * hidden_size)`: tensor
containing the output features `(h_t)` from the last layer of the LSTM,
for each `t`. If a :class:`torch.nn.utils.rnn.PackedSequence` has been
given as the input, the output will also be a packed sequence.
For the unpacked case, the directions can be separated
using ``output.view(seq_len, batch, num_directions, hidden_size)``,
with forward and backward being direction `0` and `1` respectively.
Similarly, the directions can be separated in the packed case.
- **h_n** of shape `(num_layers * num_directions, batch, hidden_size)`: tensor
containing the hidden state for `t = seq_len`.
Like *output*, the layers can be separated using
``h_n.view(num_layers, num_directions, batch, hidden_size)`` and similarly for *c_n*.
- **c_n** of shape `(num_layers * num_directions, batch, hidden_size)`: tensor
containing the cell state for `t = seq_len`.
#------------------------------------------------------------------------------------------
類的屬性有Attributes:
weight_ih_l[k] : the learnable input-hidden weights of the :math:`\text{k}^{th}` layer
`(W_ii|W_if|W_ig|W_io)`, of shape `(4*hidden_size, input_size)` for `k = 0`.
Otherwise, the shape is `(4*hidden_size, num_directions * hidden_size)`
weight_hh_l[k] : the learnable hidden-hidden weights of the :math:`\text{k}^{th}` layer
`(W_hi|W_hf|W_hg|W_ho)`, of shape `(4*hidden_size, hidden_size)`
bias_ih_l[k] : the learnable input-hidden bias of the :math:`\text{k}^{th}` layer
`(b_ii|b_if|b_ig|b_io)`, of shape `(4*hidden_size)`
bias_hh_l[k] : the learnable hidden-hidden bias of the :math:`\text{k}^{th}` layer
`(b_hi|b_hf|b_hg|b_ho)`, of shape `(4*hidden_size)`
'''
上面的參數(shù)有點(diǎn)多，我就不一個(gè)一個(gè)翻譯了，其實(shí)很好理解，每一個(gè)都比較清晰。
三、 必需參數(shù)的深入理解
1、RNN、GRU、LSTM的構(gòu)造函數(shù)的三個(gè)必須參數(shù)理解——第一步：構(gòu)造循環(huán)層對(duì)象
在創(chuàng)建循環(huán)層的時(shí)候，第一步是構(gòu)造循環(huán)層，如下操作：
lstm = nn.LSTM(10, 20, 2)
構(gòu)造函數(shù)的參數(shù)列表為如下：
class LSTM(RNNBase):
'''參數(shù)Args:
input_size:
hidden_size:
num_layers:
bias:
batch_first:
dropout:
bidirectional:
'''
（1）input_size:指的是每一個(gè)單詞的特征維度，比如我有一個(gè)句子，句子中的每一個(gè)單詞都用10維向量表示，則input_size就是10；
（2）hidden_size：指的是循環(huán)層中每一個(gè)LSTM內(nèi)部單元的隱藏節(jié)點(diǎn)數(shù)目，這個(gè)是自己定義的，隨意怎么設(shè)置都可以；
（3）num_layers：循環(huán)層的層數(shù)，默認(rèn)是一層，這個(gè)根據(jù)自己的情況來定。
比如下面：
左邊的只有一層循環(huán)層，右邊的有兩層循環(huán)層。
2、通過第一步構(gòu)造的對(duì)象構(gòu)造前向傳播的過程——第二步：調(diào)用循環(huán)層對(duì)象，傳入?yún)?shù)，并得到返回值
一般如下操作：
output, (hn, cn) = lstm(input, (h0, c0))
這里是以LSTM為例子來說的，
（1）輸入?yún)?shù)
input：必須是這樣的格式（seq,batch,feature）。第一個(gè)seq指的是序列的長度，這是根據(jù)自己的數(shù)據(jù)來定的，比如我的一個(gè)句子最大的長度是20個(gè)單詞組成，那這里就是20,上面的例子是假設(shè)句子長度為5；第二個(gè)是batch，這個(gè)好理解，就是一次使用幾條樣本，比如3組樣本；第三個(gè)features指的是每一個(gè)單詞的向量維度，需要注意的是，這個(gè)必須要和構(gòu)造函數(shù)的第一個(gè)參數(shù)input_size保持一樣的，上面的例子中是10.
（h0,c0）：指的是每一個(gè)循環(huán)層的初始狀態(tài)，可以不指定，不指定的情況下全部初始化為0，這里因?yàn)槭荓STM有兩個(gè)狀態(tài)需要傳遞，所以有兩個(gè)，像普通的RNN和GRU只有一個(gè)狀態(tài)需要傳遞，則只需要傳遞一個(gè)h狀態(tài)即可，如下：
output, hn = rnn(input, h0) # 普通rnn
output, hn = gru(input, h0) # gru
這里需要注意的是傳入的狀態(tài)參數(shù)的維度，依然以LSTM來說：
h0和c0的數(shù)據(jù)維度均是(num_layers * num_directions, batch, hidden_size)，這是什么意思呢？
第一個(gè)num_layer指的是到底有基層循環(huán)層，這好理解，幾層就應(yīng)該有幾個(gè)初始狀態(tài)；
第二個(gè)num_directions指的是這個(gè)循環(huán)層是否是雙向的（在構(gòu)造函數(shù)中通過bidirectional參數(shù)指定哦），如果不是雙向的，則取值為1，如果是雙向的則取值為2；
第三個(gè)batch指的是每次數(shù)據(jù)的batch，和前面的batch保持一致即可；
最后一個(gè)hidden_size指的是循環(huán)層每一個(gè)節(jié)點(diǎn)內(nèi)部的隱藏節(jié)點(diǎn)數(shù)，這個(gè)需要很好地理解循環(huán)神經(jīng)網(wǎng)絡(luò)的整個(gè)運(yùn)算流程才行哦！
（2）輸出結(jié)果
其實(shí)輸出的結(jié)果和輸入的是相匹配的，分別如下：
output, hn = rnn(input, h0) # 普通rnn
output, hn = gru(input, h0) # gru
output, (hn, cn) = lstm(input, (h0, c0)) # lstm
這里依然以lstm而言：
output的輸出維度：(seq_len, batch, num_directions * hidden_size)，在上面的例子中，應(yīng)該為（5,3,20），我們通過驗(yàn)證的確如此，需要注意的是，第一個(gè)維度是seq_len，也就是說每一個(gè)時(shí)間點(diǎn)的輸出都是作為輸出結(jié)果的，這和隱藏層是不一樣的；
hn、cn的輸出維度：為(num_layers * num_directions, batch, hidden_size)，在上面的例子中為（2,3,20），也得到了驗(yàn)證，我們發(fā)現(xiàn)這個(gè)跟序列長度seq_len是沒有關(guān)系的，為什么呢，輸出的狀態(tài)僅僅是指的是最后一個(gè)循環(huán)層節(jié)點(diǎn)輸出的狀態(tài)。
如下圖所示：
下面的例子是以普通的RNN來畫的，所以只有一個(gè)狀態(tài)h，沒有狀態(tài)c。
3、幾個(gè)重要的屬性理解
不管是RNN，GRU還是lstm，內(nèi)部可學(xué)習(xí)的參數(shù)其實(shí)就是幾個(gè)權(quán)值矩陣，包括了偏置矩陣，那怎么查看這些學(xué)習(xí)到的參數(shù)呢？就是通過這幾個(gè)矩陣來實(shí)現(xiàn)的
（1）weight_ih_l[k]：這表示的是輸入到隱藏層之間的權(quán)值矩陣，其中K表示的第幾層循環(huán)層，
若K=0，表示的是最下面的輸入層到第一個(gè)循環(huán)層之間的矩陣，維度為(hidden_size, input_size)，如果k>0則表示第一循環(huán)層到第二循環(huán)層、第二循環(huán)層到第三循環(huán)層，以此類推，之間的權(quán)值矩陣，形狀為(hidden_size, num_directions * hidden_size)。
（2）weight_hh_l[k]: 表示的是循環(huán)層內(nèi)部之間的權(quán)值矩陣，這里的K表示的第幾層循環(huán)層，取值為0,1,2,3,4... ...。形狀為(hidden_size, hidden_size)
注意：循環(huán)層的層數(shù)取值是從0開始，0代表第一個(gè)循環(huán)層，1代表第二個(gè)循環(huán)層，以此類推。
（3）bias_ih_l[k]: 第K個(gè)循環(huán)層的偏置項(xiàng)，表示的是輸入到循環(huán)層之間的偏置，維度為 (hidden_size)
（4）bias_hh_l[k]:第K個(gè)循環(huán)層的偏置項(xiàng)，表示的是循環(huán)層到循環(huán)層內(nèi)部之間的偏置，維度為 (hidden_size)。
# 首先導(dǎo)入RNN需要的相關(guān)模塊
import torch
import torch.nn as nn
# 數(shù)據(jù)向量維數(shù)10, 隱藏元維度20, 2個(gè)RNN層串聯(lián)(如果是1，可以省略，默認(rèn)為1)
rnn = nn.RNN(10, 20, 2)
# 序列長度seq_len=5, batch_size=3, 數(shù)據(jù)向量維數(shù)=10
input = torch.randn(5, 3, 10)
# 初始化的隱藏元和記憶元,通常它們的維度是一樣的
# 2個(gè)RNN層，batch_size=3,隱藏元維度20
h0 = torch.randn(2, 3, 20)
# 這里有2層RNN，output是最后一層RNN的每個(gè)詞向量對(duì)應(yīng)隱藏層的輸出,其與層數(shù)無關(guān)，只與序列長度相關(guān)
# hn,cn是所有層最后一個(gè)隱藏元和記憶元的輸出
output, hn = rnn(input, h0)
print(output.size(),hn.size()) # 分別是：torch.Size([5, 3, 20]) torch.Size([2, 3, 20])
# 查看一下那幾個(gè)重要的屬性：
print("------------輸入--》隱藏------------------------------")
print(rnn.weight_ih_l0.size())
print(rnn.weight_ih_l1.size())
print(rnn.bias_ih_l0.size())
print(rnn.bias_ih_l1.size())
print("------------隱藏--》隱藏------------------------------")
print(rnn.weight_hh_l0.size())
print(rnn.weight_hh_l1.size())
print(rnn.bias_hh_l0.size())
print(rnn.bias_hh_l1.size())
'''輸出結(jié)果為：
------------輸入--》隱藏------------------------------
torch.Size([20, 10])
torch.Size([20, 20])
torch.Size([20])
torch.Size([20])
------------隱藏--》隱藏------------------------------
torch.Size([20, 20])
torch.Size([20, 20])
torch.Size([20])
torch.Size([20])
'''
通過上面的運(yùn)算，發(fā)現(xiàn)結(jié)果和描述的是一模一樣的。
以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。
您可能感興趣的文章:- Pytorch實(shí)現(xiàn)LSTM和GRU示例
- pytorch下使用LSTM神經(jīng)網(wǎng)絡(luò)寫詩實(shí)例
- TensorFlow實(shí)現(xiàn)RNN循環(huán)神經(jīng)網(wǎng)絡(luò)
- Pytorch 如何實(shí)現(xiàn)LSTM時(shí)間序列預(yù)測
