小編寫這篇文章的主要目的，主要是給大家做一個介紹，介紹關(guān)于Pytorch-LSTM是如何去輸出參數(shù)，有哪一些步驟呢？下面小編就以代碼和圖片給大家做出一個介紹。

　　1.Pytorch中的LSTM中輸入輸出參數(shù)

　　nn.lstm是繼承nn.RNNBase，初始化的定義如下：

　　class RNNBase(Module):
　　...
　　def __init__(self,mode,input_size,hidden_size,
　　num_layers=1,bias=True,batch_first=False,
　　dropout=0.,bidirectional=False):

　　以下是Pytorch中的參數(shù)及其含義，解釋如下：

　　input_size–輸入數(shù)據(jù)的大小，也就是前面例子中每個單詞向量的長度

　　hidden_size–隱藏層的大小（即隱藏層節(jié)點數(shù)量），輸出向量的維度等于隱藏節(jié)點數(shù)

　　num_layers–recurrent layer的數(shù)量，默認(rèn)等于1。

　　bias–If False,then the layer does not use bias weights b_ih and b_hh.Default:True

　　batch_first–默認(rèn)為False，也就是說官方不推薦我們把batch放在第一維，這個與之前常見的CNN輸入有點不同，此時輸入輸出的各個維度含義為(seq_length,batch,feature)。當(dāng)然如果你想和CNN一樣把batch放在第一維，可將該參數(shù)設(shè)置為True，即(batch,seq_length,feature)，習(xí)慣上將batch_first設(shè)置為True。

　　dropout–如果非0，就在除了最后一層的其它層都插入Dropout層，默認(rèn)為0。

　　bidirectional–如果設(shè)置為True,則表示雙向LSTM，默認(rèn)為False

　　2.輸入數(shù)據(jù)（以batch_first=True，單層單向為例）

　　假設(shè)輸入數(shù)據(jù)信息如下：

　　輸入維度=28

　　nn.lstm中的API輸入?yún)?shù)如下：

　  time_steps=3
　　batch_first=True
　　batch_size=10
　　hidden_size=4
　　num_layers=1
　　bidirectional=False

　　備注：先以簡單的num_layers=1和bidirectional=1為例，后面會講到num_layers與bidirectional的LSTM網(wǎng)絡(luò)具體構(gòu)造。

　　下在面代碼的中：

　　lstm_input是輸入數(shù)據(jù)，隱層初始輸入h_init和記憶單元初始輸入c_init的解釋如下：

　　h_init：維度形狀為(num_layers*num_directions,batch,hidden_size)：

　　第一個參數(shù)的含義num_layers*num_directions，即LSTM的層數(shù)乘以方向數(shù)量。這個方向數(shù)量是由前面介紹的bidirectional決定，如果為False,則等于1；反之等于2（可以結(jié)合下圖理解num_layers*num_directions的含義）。

　　batch：批數(shù)據(jù)量大小

　　hidden_size:隱藏層節(jié)點數(shù)

　　c_init：維度形狀也為(num_layers*num_directions,batch,hidden_size)，各參數(shù)含義與h_init相同。因為本質(zhì)上，h_init與c_init只是在不同時刻的不同表達(dá)而已。

　　備注：如果沒有傳入，h_init和c_init，根據(jù)源代碼來看，這兩個參數(shù)會默認(rèn)為0。

　　import torch
　　from torch.autograd import Variable
　　from torch import nn
　　input_size=28
　　hidden_size=4
　　lstm_seq=nn.LSTM(input_size,hidden_size,num_layers=1,batch_first=True)#構(gòu)建LSTM網(wǎng)絡(luò)
　　lstm_input=Variable(torch.randn(10,3,28))#構(gòu)建輸入
　　h_init=Variable(torch.randn(1,lstm_input.size(0),hidden_size))#構(gòu)建h輸入?yún)?shù)--每個batch對應(yīng)一個隱層
　　c_init=Variable(torch.randn(1,lstm_input.size(0),hidden_size))#構(gòu)建c輸出參數(shù)--每個batch對應(yīng)一個隱層
　　out,(h,c)=lstm_seq(lstm_input,(h_init,c_init))#將輸入數(shù)據(jù)和初始化隱層、記憶單元信息傳入
　　print(lstm_seq.weight_ih_l0.shape)#對應(yīng)的輸入學(xué)習(xí)參數(shù)
　　print(lstm_seq.weight_hh_l0.shape)#對應(yīng)的隱層學(xué)習(xí)參數(shù)
　　print(out.shape,h.shape,c.shape)

　　輸出結(jié)果如下：

　　輸出結(jié)果解釋如下：

　　（1）lstm_seq.weight_ih_l0.shape的結(jié)果為：torch.Size([16,28])，表示對應(yīng)的輸入到隱層的學(xué)習(xí)參數(shù)：(4*hidden_size,input_size)。

　　（2）lstm_seq.weight_hh_l0.shape的結(jié)果為：torch.Size([16,4])，表示對應(yīng)的隱層到隱層的學(xué)習(xí)參數(shù)：(4*hidden_size,num_directions*hidden_size)

　　（3）out.shape的輸出結(jié)果：torch.Size([10,3,4])，表示隱層到輸出層學(xué)習(xí)參數(shù)，即(batch，time_steps,num_directions*hidden_size)，維度和輸入數(shù)據(jù)類似，會根據(jù)batch_first是否為True進(jìn)行對應(yīng)的輸出結(jié)果，（如果代碼中，batch_first=False，則out.shape的結(jié)果會變?yōu)椋簍orch.Size([3,10,4])），

　　這個輸出tensor包含了LSTM模型最后一層每個time_step的輸出特征，比如說LSTM有兩層，那么最后輸出的是,表示第二層LSTM每個time step對應(yīng)的輸出；另外如果前面對輸入數(shù)據(jù)使用了torch.nn.utils.rnn.PackedSequence,那么輸出也會做同樣的操作編程packed sequence；對于unpacked情況，我們可以對輸出做如下處理來對方向作分離output.view(seq_len,batch,num_directions,hidden_size),其中前向和后向分別用0和1表示。

　　h.shape輸出結(jié)果是：torch.Size([1,10,4]),表示隱層到輸出層的參數(shù)，h_n：(num_layers*num_directions,batch,hidden_size)，只會輸出最后一個time step的隱狀態(tài)結(jié)果（如下圖所示）

　　c.shape的輸出結(jié)果是：torch.Size([1,10,4])，表示隱層到輸出層的參數(shù)，c_n：(num_layers*num_directions,batch,hidden_size)，同樣只會輸出最后一個time step的cell狀態(tài)結(jié)果（如下圖所示）

　　3.輸入數(shù)據(jù)（以batch_first=True，雙層雙向）

　　'''
　　batch_first=True:輸入形式：(batch,seq,feature)
　　bidirectional=True
　　num_layers=2
　　'''
　　num_layers=2
　　bidirectional_set=True
　　bidirectional=2 if bidirectional_set else 1
　　input_size=28
　　hidden_size=4
　　lstm_seq=nn.LSTM(input_size,hidden_size,num_layers=num_layers,bidirectional=bidirectional_set,batch_first=True)#構(gòu)建LSTM網(wǎng)絡(luò)
　　lstm_input=Variable(torch.randn(10,3,28))#構(gòu)建輸入
　　h_init=Variable(torch.randn(num_layers*bidirectional,lstm_input.size(0),hidden_size))#構(gòu)建h輸入?yún)?shù)
　　c_init=Variable(torch.randn(num_layers*bidirectional,lstm_input.size(0),hidden_size))#構(gòu)建c輸出參數(shù)
　　out,(h,c)=lstm_seq(lstm_input,(h_init,c_init))#計算
　　print(lstm_seq.weight_ih_l0.shape)
　　print(lstm_seq.weight_hh_l0.shape)
　　print(out.shape,h.shape,c.shape)

　　Pytorch-LSTM函數(shù)參數(shù)解釋圖解

　　最近在寫有關(guān)LSTM的代碼，但是對于nn.LSTM函數(shù)中的有些參數(shù)還是不明白其具體含義，學(xué)習(xí)過后在此記錄。

　　為了方便說明，我們先解釋函數(shù)參數(shù)的作用，接著對應(yīng)圖片來說明每個參數(shù)的具體含義。

　　torch.nn.LSTM函數(shù)

　　LSTM的函數(shù)

　　class torch.nn.LSTM(args,*kwargs)
　　#主要參數(shù)
　　#input_size–輸入的特征維度
　　#hidden_size–隱狀態(tài)的特征維度
　　#num_layers–層數(shù)（和時序展開要區(qū)分開）
　　#bias–如果為False，那么LSTM將不會使用偏置，默認(rèn)為True。
　　#batch_first–如果為True，那么輸入和輸出Tensor的形狀為(batch,seq_len,input_size)
　　#dropout–如果非零的話，將會在RNN的輸出上加個dropout，最后一層除外。
　　#bidirectional–如果為True，將會變成一個雙向RNN，默認(rèn)為False。

　　LSTM的輸入維度為(seq_len,batch,input_size)如果batch_first為True，則輸入形狀為(batch,seq_len,input_size)

　　seq_len是文本的長度;

　　batch是批次的大小;

　　input_size是每個輸入的特征緯度（一般是每個字/單詞的向量表示;

　　LSTM的輸出維度為(seq_len,batch,hidden_size*num_directions)

　　seq_len是文本的長度;

　　batch是批次的大小;

　　hidden_size是定義的隱藏層長度

　　num_directions指的則是如果是普通LSTM該值為1;Bi-LSTM該值為2

　　當(dāng)然，僅僅用文本來說明則讓人感到很懵逼，所以我們使用圖片來說明。

　　圖解LSTM函數(shù)

　　我們常見的LSTM的圖示是這樣的：

　　但是這張圖很具有迷惑性，讓我們不易理解LSTM各個參數(shù)的意義。具體將上圖中每個單元展開則為下圖所示：

　　input_size:圖1中xi與圖2中綠色節(jié)點對應(yīng)，而綠色節(jié)點的長度等于input_size（一般是每個字/單詞的向量表示）。

　　hidden_size:圖2中黃色節(jié)點的數(shù)量

　　num_layers:圖2中黃色節(jié)點的層數(shù)（該圖為1）

　　以上就是小編為大家總結(jié)的資料，希望可以為大家?guī)砀嗟膸椭?/p>