一、案例背景
本案例通过PyTorch的nn.RNN构建单隐藏层RNN模型，重点展示RNN对变长序列数据的处理能力（序列长度从1变为20），帮助理解RNN的输入输出逻辑。
二、核心代码与结构拆解
python
def dm_rnn_for_sequencelen():
# 1. 定义RNN模型
rnn = nn.RNN(5, 6, 1) # input_size=5, hidden_size=6, num_layers=1
# 2. 准备输入数据
input = torch.randn(20, 3, 5) # 序列长度=20，批次大小=3，输入维度=5
# 3. 初始化隐状态
h0 = torch.randn(1, 3, 6) # 层数×方向=1，批次大小=3，隐藏层维度=6
# 4. 前向传播
output, hn = rnn(input, h0)
# 输出结果
print('output形状--->', output.shape) # torch.Size([20, 3, 6])
print('hn形状--->', hn.shape) # torch.Size([1, 3, 6])
print('模型结构--->', rnn) # RNN(5, 6)三、关键参数详解
1. 模型定义参数（nn.RNN）
| 参数 | 含义 | 本案例取值 | 说明 |
|---|---|---|---|
input_size |
输入特征维度 | 5 | 每个时间步的输入向量维度（如单词的 embedding 维度） |
hidden_size |
隐藏层输出维度 | 6 | 每个时间步的隐状态向量维度 |
num_layers |
隐藏层层数 | 1 | 单隐藏层结构，简化计算 |
2. 输入数据格式（input）
- 形状：
[sequence_length, batch_size, input_size] - 本案例：
[20, 3, 5]20：序列长度（sequence_length），每个样本包含20个时间步（如一句话有20个单词）；3：批次大小（batch_size），一次并行处理3个样本；5：输入特征维度 ，与模型定义的input_size一致。
3. 初始隐状态（h0）
- 形状：
[num_layers × num_directions, batch_size, hidden_size] - 本案例：
[1, 3, 6]1：num_layers × num_directions（1层+单向RNN）；3：与输入的batch_size一致，每个样本对应一个初始隐状态；6：与模型定义的hidden_size一致，初始隐状态的维度。
四、输出结果解析
1. output（所有时间步的隐藏层输出）
- 形状：
[sequence_length, batch_size, hidden_size] - 本案例：
[20, 3, 6]- 包含每个时间步、每个样本的隐藏层输出（20个时间步×3个样本×6维向量）；
- 体现RNN对序列的"逐步处理"特性，保留所有中间结果。
2. hn（最后一个时间步的隐状态）
- 形状：
[num_layers × num_directions, batch_size, hidden_size] - 本案例：
[1, 3, 6]- 仅包含最后一个时间步（第20步）、每个样本的隐状态；
- 因单隐藏层，
hn与output的最后一个时间步结果完全一致。
五、核心结论：RNN对变长序列的适应性
- 序列长度可灵活变化 ：只要输入特征维度（
input_size）和批次大小（batch_size）不变，RNN可处理任意长度的序列（如示例1中长度=1，本案例中长度=20）。 - 输出形状随序列长度调整 ：
output的第一个维度始终等于输入序列长度，体现RNN对时序数据的动态处理能力。
六、类比理解
将RNN比作"逐字阅读的处理器"：
- 输入：3篇文章（
batch_size=3），每篇20个单词（sequence_length=20），每个单词用5维向量表示（input_size=5）； - 处理过程：每读一个单词（时间步），结合上一步的记忆（隐状态），更新当前记忆（6维向量，
hidden_size=6）； - 输出：
output是每读一个单词时的记忆记录，hn是读完最后一个单词的最终记忆。