總共有七個參數(shù)，其中只有前三個是必須的。由于大家普遍使用PyTorch的DataLoader來形成批量數(shù)據(jù)，因此batch_first也比較重要。LSTM的兩個常見的應(yīng)用場景為文本處理和時序預(yù)測，因此下面對每個參數(shù)我都會從這兩個方面來進(jìn)行具體解釋。

input_size：在文本處理中，由于一個單詞沒法參與運(yùn)算，因此我們得通過Word2Vec來對單詞進(jìn)行嵌入表示，將每一個單詞表示成一個向量，此時input_size=embedding_size。
比如每個句子中有五個單詞，每個單詞用一個100維向量來表示，那么這里input_size=100；
在時間序列預(yù)測中，比如需要預(yù)測負(fù)荷，每一個負(fù)荷都是一個單獨(dú)的值，都可以直接參與運(yùn)算，因此并不需要將每一個負(fù)荷表示成一個向量，此時input_size=1。
但如果我們使用多變量進(jìn)行預(yù)測，比如我們利用前24小時每一時刻的[負(fù)荷、風(fēng)速、溫度、壓強(qiáng)、濕度、天氣、節(jié)假日信息]來預(yù)測下一時刻的負(fù)荷，那么此時input_size=7。
hidden_size：隱藏層節(jié)點(diǎn)個數(shù)。可以隨意設(shè)置。
num_layers：層數(shù)。nn.LSTMCell與nn.LSTM相比，num_layers默認(rèn)為1。
batch_first：默認(rèn)為False，意義見后文。

Inputs

關(guān)于LSTM的輸入，官方文檔給出的定義為：

可以看到，輸入由兩部分組成：input、(初始的隱狀態(tài)h_0，初始的單元狀態(tài)c_0)

其中input：

input(seq_len, batch_size, input_size)

seq_len：在文本處理中，如果一個句子有7個單詞，則seq_len=7；在時間序列預(yù)測中，假設(shè)我們用前24個小時的負(fù)荷來預(yù)測下一時刻負(fù)荷，則seq_len=24。
batch_size：一次性輸入LSTM中的樣本個數(shù)。在文本處理中，可以一次性輸入很多個句子；在時間序列預(yù)測中，也可以一次性輸入很多條數(shù)據(jù)。
input_size：見前文。

(h_0, c_0)：

h_0(num_directions * num_layers, batch_size, hidden_size)
c_0(num_directions * num_layers, batch_size, hidden_size)

h_0和c_0的shape一致。

num_directions：如果是雙向LSTM，則num_directions=2；否則num_directions=1。
num_layers：見前文。
batch_size：見前文。
hidden_size：見前文。

Outputs

關(guān)于LSTM的輸出，官方文檔給出的定義為：

可以看到，輸出也由兩部分組成：otput、(隱狀態(tài)h_n，單元狀態(tài)c_n)

其中output的shape為：

output(seq_len, batch_size, num_directions * hidden_size)

h_n和c_n的shape保持不變，參數(shù)解釋見前文。

batch_first

如果在初始化LSTM時令batch_first=True，那么input和output的shape將由：

input(seq_len, batch_size, input_size)
output(seq_len, batch_size, num_directions * hidden_size)

變?yōu)椋?/p>

input(batch_size, seq_len, input_size)
output(batch_size, seq_len, num_directions * hidden_size)

即batch_size提前。

案例

簡單搭建一個LSTM如下所示：

class LSTM(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers, output_size, batch_size):
        super().__init__()
        self.input_size = input_size
        self.hidden_size = hidden_size
        self.num_layers = num_layers
        self.output_size = output_size
        self.num_directions = 1 # 單向LSTM
        self.batch_size = batch_size
        self.lstm = nn.LSTM(self.input_size, self.hidden_size, self.num_layers, batch_first=True)
        self.linear = nn.Linear(self.hidden_size, self.output_size)
    def forward(self, input_seq):
        h_0 = torch.randn(self.num_directions * self.num_layers, self.batch_size, self.hidden_size).to(device)
        c_0 = torch.randn(self.num_directions * self.num_layers, self.batch_size, self.hidden_size).to(device)
        seq_len = input_seq.shape[1] # (5, 30)
        # input(batch_size, seq_len, input_size)
        input_seq = input_seq.view(self.batch_size, seq_len, 1)  # (5, 30, 1)
        # output(batch_size, seq_len, num_directions * hidden_size)
        output, _ = self.lstm(input_seq, (h_0, c_0)) # output(5, 30, 64)
        output = output.contiguous().view(self.batch_size * seq_len, self.hidden_size) # (5 * 30, 64)
        pred = self.linear(output) # pred(150, 1)
        pred = pred.view(self.batch_size, seq_len, -1) # (5, 30, 1)
        pred = pred[:, -1, :]  # (5, 1)
        return pred

其中定義模型的代碼為：

self.lstm = nn.LSTM(self.input_size, self.hidden_size, self.num_layers, batch_first=True)
self.linear = nn.Linear(self.hidden_size, self.output_size)

我們加上具體的數(shù)字：

self.lstm = nn.LSTM(self.input_size=1, self.hidden_size=64, self.num_layers=5, batch_first=True)
self.linear = nn.Linear(self.hidden_size=64, self.output_size=1)

再看前向傳播：

def forward(self, input_seq):
    h_0 = torch.randn(self.num_directions * self.num_layers, self.batch_size, self.hidden_size).to(device)
    c_0 = torch.randn(self.num_directions * self.num_layers, self.batch_size, self.hidden_size).to(device)
    seq_len = input_seq.shape[1]  # (5, 30)
    # input(batch_size, seq_len, input_size)
    input_seq = input_seq.view(self.batch_size, seq_len, 1)  # (5, 30, 1)
    # output(batch_size, seq_len, num_directions * hidden_size)
    output, _ = self.lstm(input_seq, (h_0, c_0))  # output(5, 30, 64)
    output = output.contiguous().view(self.batch_size * seq_len, self.hidden_size)  # (5 * 30, 64)
    pred = self.linear(output) # (150, 1)
    pred = pred.view(self.batch_size, seq_len, -1)  # (5, 30, 1)
    pred = pred[:, -1, :]  # (5, 1)
    return pred

假設(shè)用前30個預(yù)測下一個，則seq_len=30，batch_size=5，由于設(shè)置了batch_first=True，因此，輸入到LSTM中的input的shape應(yīng)該為：

input(batch_size, seq_len, input_size) = input(5, 30, 1)

但實(shí)際上，經(jīng)過DataLoader處理后的input_seq為：

input_seq(batch_size, seq_len) = input_seq(5, 30)

(5, 30)表示一共5條數(shù)據(jù)，每條數(shù)據(jù)的維度都為30。為了匹配LSTM的輸入，我們需要對input_seq的shape進(jìn)行變換：

input_seq = input_seq.view(self.batch_size, seq_len, 1)  # (5, 30, 1)

然后將input_seq送入LSTM：

output, _ = self.lstm(input_seq, (h_0, c_0)) # output(5, 30, 64)

根據(jù)前文，output的shape為：

output(batch_size, seq_len, num_directions * hidden_size) = output(5, 30, 64)

全連接層的定義為：

self.linear = nn.Linear(self.hidden_size=64, self.output_size=1)

因此，我們需要將output的第二維度變換為64(150, 64)：

output = output.contiguous().view(self.batch_size * seq_len, self.hidden_size) # (5 * 30, 64)

然后將output送入全連接層：

pred = self.linear(output) # pred(150, 1)

得到的預(yù)測值shape為(150, 1)。我們需要將其進(jìn)行還原，變成(5, 30, 1)：

pred = pred.view(self.batch_size, seq_len, -1) # (5, 30, 1)

在用DataLoader處理了數(shù)據(jù)后，得到的input_seq和label的shape分別為：

input_seq(batch_size, seq_len) = input_seq(5, 30)label(batch_size, output_size) = label(5, 1)

由于輸出是輸入右移，我們只需要取pred第二維度（time）中的最后一個數(shù)據(jù)：

pred = pred[:, -1, :] # (5, 1)

這樣，我們就得到了預(yù)測值，然后與label求loss，然后再反向更新參數(shù)即可。

時間序列預(yù)測的一個真實(shí)案例請見：PyTorch搭建LSTM實(shí)現(xiàn)時間序列預(yù)測（負(fù)荷預(yù)測）

以上就是PyTorch深度學(xué)習(xí)LSTM從input輸入到Linear輸出的詳細(xì)內(nèi)容，更多關(guān)于LSTM input輸入Linear輸出的資料請關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章:

亚洲乱码中文字幕综合,中国熟女仑乱hd,亚洲精品乱拍国产一区二区三区,一本大道卡一卡二卡三乱码全集资源,又粗又黄又硬又爽的免费视频

軟件下載

源碼下載

軟件編程

網(wǎng)絡(luò)編程

在線工具

數(shù)據(jù)庫

CMS

常用工具

PyTorch深度學(xué)習(xí)LSTM從input輸入到Linear輸出

目錄

LSTM介紹

LSTM參數(shù)

Inputs

Outputs

batch_first

案例

相關(guān)文章

最新評論

大家感興趣的內(nèi)容

最近更新的內(nèi)容

常用在線小工具