单项RNN 从左往右顺序

双向RNN

import torch.nn as nn

import torch

nn.RNN(3,3,1,batch_first=True,bidirectional=True)

双向单层RNN（Recurrent Neural Network）是一种特殊类型的循环神经网络，它能够在两个方向上处

理序列数据，即正向和反向。这使得网络在预测当前输出时，能够同时考虑到输入序列中当前元素之前

的信息和之后的信息。双向单层RNN由两个独立的单层RNN组成，一个负责处理正向序列（从开始到结

束），另一个负责处理反向序列（从结束到开始）。

每一层RNN由两个RNN构成一个考虑输入一个考虑输出共同决定本层状态

. RNN的训练方法------BPTT

随时间反向传播

本质还是BP算法，只不

过RNN处理时间序列数据，所以要基于时间反向传播

RNN不善于处理远期依赖性任务比如长句子

比较擅长有序列的短句

LSTM 长短期记忆网络

神经网络中不是单纯的一个层+激活函数了

而是多层+多个激活函数互相作用

核心是门控机制

基于 pytorch API 代码实现

在 LSTM 网络中，初始化隐藏状态 ( h0 ) 和细胞状态 ( c0 ) 是一个重要的步骤，确保模型在处理序列数据时有一个合理的起始状态。

def demo1():

class Model(nn.Module):

def init(self,input_size,hidden_size,output_size):

super().init()

self.output_size=output_size

self.hidden_size=hidden_size

self.lstm=nn.LSTM(input_size=input_size,hidden_size=self.hidden_size,batch_first=True)

self.fc=nn.Linear(hidden_size,output_size)

def forward(self,x):

self.h0=torch.zeros(1,x.shape $0$ ,self.hidden_size)

self.c0=torch.zeros(1,x.shape $0$ ,self.hidden_size)

lstm 的返回值为 out 和 (hn, cn) 。 out为隐藏状态 hn是最后一次的隐藏状态 cn为最后一次的细胞状态 output batch_first=True，形状为 (batch, seq_len, num_directions * hidden_size)

x,_=self.lstm(x,(self.h0,self.c0))

x=self.fc(x $-1$ $-1$ .view(x.shape $0$ ,-1)) # 取最后一次的隐藏状态当全连接的输出

return x

这里的假数据是词向量，不是序列下标注意一下最后一个维度是input_size

model1=Model(3,16,10)

data=torch.rand(1,2,3)

res=model1(data)

print(res)

序列池化

在自然语言处理 (NLP) 中，序列池化（sequence pooling）是一种将变长序列转换为固定长度表示的方法。这个过程对于处理可变长度的输入（如句子或文档）特别有用，因为许多深度学习模型（如全连接层）需要固定长度的输入。

. 最大池化（Max Pooling）：

一个批次中的每个字变为向量后全部向量的对应维度留下最大的那个

平均池化就是取平均值 nn.AdaptiveAvgPool1d

if name=="main":

demo1()

pass

NLP 单双向RNN+LSTM+池化