神经网络 torch.nn---nn.RNN()

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

torch.nn---nn.RNN()

python 复制代码

nn.RNN(input_size=input_x,
       hidden_size=hidden_num,
       num_layers=1,
       nonlinearity='tanh', #默认'tanh'
       bias=True,  #默认是True
       batch_first=False,
       dropout=0,
       bidirectional=False  #默认为False
       )

参数说明：

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

输入输出shape

RNN的输入：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。
RNN的隐藏层：h_0 (num_layers * num_directions, batch, hidden_size): 保存着初始隐状态的tensor。
RNN的输出： (output, h_n)。 在前向计算后会分别返回输出和隐藏状态h，其中输出指的是隐藏层在各个时间步上计算并输出的隐藏状态，它们通常作为后续输出层的输⼊。
output (seq_len, batch, hidden_size * num_directions) 形状为**(时间步数, 批量大小, 隐藏单元个数)** : 保存着RNN最后一层的输出特征。如果输入是被填充过的序列，那么输出也是被填充的序列。
隐藏状态h的形状为(层数, 批量大小,隐藏单元个数)=h_n (num_layers * num_directions, batch, hidden_size) : 保存着最后一个时刻隐状态。隐藏状态指的是隐藏层在最后时间步的隐藏状态：当隐藏层有多层时，每⼀层的隐藏状态都会记录在该变量中。

RNN模型参数:

weight_ih_l $k$ -- 第k层的 input-hidden 权重，可学习，形状是(input_size x hidden_size)。
weight_hh_l $k$ -- 第k层的 hidden-hidden 权重，可学习，形状是(hidden_size x hidden_size)
bias_ih_l $k$ -- 第k层的 input-hidden 偏置，可学习，形状是(hidden_size)
bias_hh_l $k$ -- 第k层的 hidden-hidden 偏置，可学习，形状是(hidden_size)

计算过程

h_t是时刻t的隐状态。

x_t是上一层时刻t的隐状态，或者是第一层在时刻t的输入。

如果nonlinearity='relu',那么将使用relu代替tanh作为激活函数。