神经网络 torch.nn---nn.RNN()

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

RNN --- PyTorch 2.3 documentation

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

  1. 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。
  2. RNN的隐藏层:h_0 (num_layers * num_directions, batch, hidden_size): 保存着初始隐状态的tensor。
  3. 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。
  4. 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。
  5. 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。

相关推荐
wan5555cn12 小时前
国产电脑操作系统与硬盘兼容性现状分析:挑战与前景评估
人工智能·笔记·深度学习·机器学习·电脑·生活
zhangjipinggom18 小时前
multi-head attention 多头注意力实现细节
深度学习
Zack_Liu20 小时前
深度学习基础模块
人工智能·深度学习
闲看云起20 小时前
Bert:从“读不懂上下文”的AI,到真正理解语言
论文阅读·人工智能·深度学习·语言模型·自然语言处理·bert
信息快讯1 天前
【机器学习赋能的智能光子学器件系统研究与应用】
人工智能·神经网络·机器学习·光学
IT小哥哥呀1 天前
基于深度学习的数字图像分类实验与分析
人工智能·深度学习·分类
汉堡go1 天前
1、机器学习与深度学习
人工智能·深度学习·机器学习
fsnine1 天前
从RNN到LSTM:深入理解循环神经网络与长短期记忆网络
网络·rnn·lstm
LiJieNiub1 天前
基于 PyTorch 实现 MNIST 手写数字识别
pytorch·深度学习·学习
chxin140161 天前
Transformer注意力机制——动手学深度学习10
pytorch·rnn·深度学习·transformer