lstm(*input, **kwargs)

將多層長(zhǎng)短時(shí)記憶(LSTM)神經(jīng)網(wǎng)絡(luò)應(yīng)用于輸入序列。

參數(shù)：

input_size:輸入'x'中預(yù)期特性的數(shù)量

hidden_size:隱藏狀態(tài)'h'中的特性數(shù)量

num_layers:循環(huán)層的數(shù)量。例如，設(shè)置' ' num_layers=2 ' '意味著將兩個(gè)LSTM堆疊在一起，形成一個(gè)'堆疊的LSTM '，第二個(gè)LSTM接收第一個(gè)LSTM的輸出并計(jì)算最終結(jié)果。默認(rèn)值:1

bias:如果' False'，則該層不使用偏置權(quán)重' b_ih '和' b_hh '。默認(rèn)值:'True'

batch_first:如果' 'True ' ',則輸入和輸出張量作為(batch, seq, feature)提供。默認(rèn)值: 'False'

dropout:如果非零，則在除最后一層外的每個(gè)LSTM層的輸出上引入一個(gè)“dropout”層，相當(dāng)于:attr:'dropout'。默認(rèn)值:0

bidirectional:如果‘True'，則成為雙向LSTM。默認(rèn)值:'False'

輸入:input，(h_0, c_0)

**input**of shape (seq_len, batch, input_size):包含輸入序列特征的張量。輸入也可以是一個(gè)壓縮的可變長(zhǎng)度序列。

see:func:'torch.nn.utils.rnn.pack_padded_sequence' 或:func:'torch.nn.utils.rnn.pack_sequence' 的細(xì)節(jié)。

**h_0** of shape (num_layers * num_directions, batch, hidden_size):張量包含批處理中每個(gè)元素的初始隱藏狀態(tài)。

如果RNN是雙向的，num_directions應(yīng)該是2，否則應(yīng)該是1。

**c_0** of shape (num_layers * num_directions, batch, hidden_size):張量包含批處理中每個(gè)元素的初始單元格狀態(tài)。

如果沒有提供' (h_0, c_0) '，則**h_0**和**c_0**都默認(rèn)為零。

輸出:output，(h_n, c_n)

**output**of shape (seq_len, batch, num_directions * hidden_size) :包含LSTM最后一層輸出特征' (h_t) '張量，

對(duì)于每個(gè)t. If a:class: 'torch.nn.utils.rnn.PackedSequence' 已經(jīng)給出，輸出也將是一個(gè)打包序列。

對(duì)于未打包的情況，可以使用'output.view(seq_len, batch, num_directions, hidden_size)'，正向和反向分別為方向' 0 '和' 1 '。

同樣，在包裝的情況下，方向可以分開。

**h_n** of shape (num_layers * num_directions, batch, hidden_size):包含' t = seq_len '隱藏狀態(tài)的張量。

與*output*類似， the layers可以使用以下命令分隔

h_n.view(num_layers, num_directions, batch, hidden_size) 對(duì)于'c_n'相似

**c_n** (num_layers * num_directions, batch, hidden_size):張量包含' t = seq_len '的單元狀態(tài)

所有的權(quán)重和偏差都初始化自: where:

include:: cudnn_persistent_rnn.rst

import torch
import torch.nn as nn
 
# 雙向rnn例子
# rnn = nn.RNN(10, 20, 2)
# input = torch.randn(5, 3, 10)
# h0 = torch.randn(2, 3, 20)
# output, hn = rnn(input, h0)
# print(output.shape,hn.shape)
# torch.Size([5, 3, 20]) torch.Size([2, 3, 20])
 
# 雙向lstm例子
rnn = nn.LSTM(10, 20, 2)   #(input_size,hidden_size,num_layers)
input = torch.randn(5, 3, 10)  #(seq_len, batch, input_size)
h0 = torch.randn(2, 3, 20)    #(num_layers * num_directions, batch, hidden_size)
c0 = torch.randn(2, 3, 20)    #(num_layers * num_directions, batch, hidden_size)
# output:(seq_len, batch, num_directions * hidden_size)
# hn,cn(num_layers * num_directions, batch, hidden_size)
output, (hn, cn) = rnn(input, (h0, c0)) 
 
print(output.shape,hn.shape,cn.shape)
>>>torch.Size([5, 3, 20]) torch.Size([2, 3, 20]) torch.Size([2, 3, 20])

以上這篇基于pytorch的lstm參數(shù)使用詳解就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

最新評(píng)論