神经网络 torch.nn---nn.LSTM()

torch.nn - PyTorch中文文档 (pytorch-cn.readthedocs.io)

LSTM --- PyTorch 2.3 documentation

LSTM层的作用

LSTM层:长短时记忆网络层,它的主要作用是对输入序列进行处理,对序列中的每个元素进行编码并保存它们的状态,以便后续的处理。

LSTM 是一种特殊的 RNN,它通过引入门控机制来解决传统 RNN 的长期依赖问题。

我们假设:h为LSTM单元的隐藏层输出,c为LSTM内存单元的值,x为输入数据。

LSTM 的结构包含以下几个关键组件:

1、输入门(input gate):决定当前时间步的输入信息对细胞状态的影响程度。

2 、遗忘门(forgetgate):决定上一个时间步的细胞状态对当前时间步的影响程度。

3 、细胞状态(cell state):用于在不同时间步之间传递和存储信息。

4 、输出门(output gate):决定细胞状态对当前时间步的输出影响程度。

5 、隐藏状态(hiddenstate):当前时间步的输出,也是下一个时间步的输入。

nn.LSTM

计算公式

对输入序列的每个元素,LSTM的每层都会执行以下计算:

h_t是时刻t的隐状态,

c_t是时刻t的细胞状态,

x_t是上一层的在时刻t的隐状态或者是第一层在时刻t的输入。

i_t, f_t, g_t, o_t分别代表 输入门,遗忘门,细胞和输出门。

参数说明:

torch.nn.LSTM(input_size , hidden_size , num_layers=1 , bias=True , batch_first=False , dropout=0.0 , bidirectional=False , proj_size=0 , device=None , dtype=None)

  • input_size -- 输入x的特征数量。
  • hidden_size -- 隐层的特征数量。
  • num_layers -- RNN的层数。
  • nonlinearity -- 激活函数。指定非线性函数使用tanh还是relu。默认是tanh
  • bias -- 是否使用偏置。
  • batch_first -- 如果True的话,那么输入Tensor的shape应该是[batch_size, time_step, feature],输出也是这样。默认是 False,就是这样形式,(seq(num_step), batch, input_dim),也就是将序列长度放在第一位,batch 放在第二位
  • dropout -- 默认不使用,如若使用将其设置成一个0-1的数字即可。如果值非零,那么除了最后一层外,其它层的输出都会套上一个dropout层。
  • 是否使用双向的 rnn,默认是 False

输入:input, (h_0, c_0)

  • input_shape = [时间步数, 批量大小, 特征维度] = [num_steps(seq_length), batch_size, input_dim]=input (seq_len, batch, input_size)保存输入序列特征的tensor。
  • h_0是shape=(num_layers*num_directions,batch_size,hidden_size)的张量,保存着batch中每个元素的初始化隐状态的Tensor。其中num_layers就是LSTM的层数。如果bidirectional=True,num_directions=2,否则就是1,表示只有一个方向。
  • c_0 是shape=(num_layers*num_directions,batch_size,hidden_size)的张量, 保存着batch中每个元素的初始化细胞状态的Tensor。h_0,c_0如果不提供,那么默认是0。

输出:output, (h_n, c_n)

  • output的shape=(seq_length,batch_size,num_directions*hidden_size),(时间步数, 批量大小, 隐藏单元个数)。 保存最后一层的输出的Tensor
  • h_n (num_layers * num_directions, batch, hidden_size): Tensor,保存着LSTM最后一个时间步的隐状态。
  • c_n (num_layers * num_directions, batch, hidden_size): Tensor,保存着LSTM最后一个时间步的细胞状态。

LSTM模型参数:

LSTM --- PyTorch 2.3 documentation

LSTM的结构解释:

MATLAB神经网络---lstmLayer(LSTM 长短期记忆神经网络)-CSDN博客

相关推荐
谢眠44 分钟前
深度学习day3-自动微分
python·深度学习·机器学习
z千鑫1 小时前
【人工智能】深入理解PyTorch:从0开始完整教程!全文注解
人工智能·pytorch·python·gpt·深度学习·ai编程
YRr YRr1 小时前
深度学习:神经网络的搭建
人工智能·深度学习·神经网络
爱喝热水的呀哈喽1 小时前
torch张量与函数表达式写法
人工智能·pytorch·深度学习
LZXCyrus2 小时前
【杂记】vLLM如何指定GPU单卡/多卡离线推理
人工智能·经验分享·python·深度学习·语言模型·llm·vllm
YRr YRr3 小时前
深度学习神经网络中的优化器的使用
人工智能·深度学习·神经网络
幻风_huanfeng3 小时前
人工智能之数学基础:线性代数在人工智能中的地位
人工智能·深度学习·神经网络·线性代数·机器学习·自然语言处理
deephub4 小时前
使用 PyTorch-BigGraph 构建和部署大规模图嵌入的完整教程
人工智能·pytorch·深度学习·图嵌入
羞儿4 小时前
【读点论文】Text Detection Forgot About Document OCR,很实用的一个实验对比案例,将科研成果与商业产品进行碰撞
深度学习·ocr·str·std
deephub4 小时前
优化注意力层提升 Transformer 模型效率:通过改进注意力机制降低机器学习成本
人工智能·深度学习·transformer·大语言模型·注意力机制