【python学习笔记】pytorch中的nn.LSTM

本文参考了：
pytorch中的nn.LSTM模块参数详解
人人都能看懂的LSTM
torch.nn.LSTM()函数维度详解

lstm示意图

右侧为LSTM示意图

torch.nn.lstm(input_size,hidden_size,num_layers,bias,batch_first,dropout,bidirectional)

参数

• input_size：输入的维度=embedding_size
• hidden_size：h的维度
• num_layers：堆叠LSTM的层数，默认值为1
• bias：隐层状态是否带bias，默认为true。bias是偏置值，或者偏移值。没有偏置值就是以0为中轴，或以0为起点。
• batch_first：如果设置为 True，则输入数据的维度中第一个维度就 是 batch 值，默认为 False。更详细的在Pytorch的参数“batch_first”的理解中
• dropout：默认值0。是否在除最后一个 RNN 层外的其他 RNN 层后面加 dropout 层。输入值是 0-1 之间的小数，表示概率。0表示0概率dripout，即不dropout
• bidirectional：是否双向传播，默认值为False

dropout

dropout：dropout顾名思义就是被拿掉的意思，正因为我们在神经网络当中拿掉了一些神经元，所以才叫做dropout层。为了防止过拟合。

在进行第一个batch的训练时，有以下步骤：

• 设定每一个神经网络层进行dropout的概率

• 根据相应的概率拿掉一部分的神经元，然后开始训练，更新没有被拿掉神经元以及权重的参数，将其保留

• 参数全部更新之后，又重新根据相应的概率拿掉一部分神经元，然后开始训练，如果新用于训练的神经元已经在第一次当中训练过，那么我们继续更新它的参数。而第二次被剪掉的神经元，同时第一次已经更新过参数的，我们保留它的权重，不做修改，直到第n次batch进行dropout时没有将其删除。

#num_layers

import torch.nn as nn
import torch
x = torch.rand(10,24,100)

#torch.nn.lstm(input_size=100,hidden_size=16,num_layers=2)
#输入维度100，h维度16，lstm层数2
#以训练句子为例子，假如每个词是100维的向量，每个句子含有24个单词，一次训练10个句子。
#那么batch_size=10,seq=24,input_size=100。(seq指的是句子的长度，input_size作为一个x_t的输入) 
lstm = nn.LSTM(100,16,num_layers=2)
output,(h,c) = lstm(x)
print(output.size())
print(h.size())
print(c.size())

torch.Size([10, 24, 16])
torch.Size([2, 24, 16])
torch.Size([2, 24, 16])

#num_layers,bidirectional

import torch.nn as nn
import torch
x = torch.rand(10,24,100)
lstm = nn.LSTM(100,16,bidirectional=True)
output,(h,c) = lstm(x)
print(output.size())
print(h.size())
print(c.size())

torch.Size([10, 24, 32])
torch.Size([2, 24, 16])
torch.Size([2, 24, 16])

import torch.nn as nn
import torch
x = torch.rand(10,24,100) #batch,seq,input_size
h0 = torch.rand(1,24,16)# num_layers*num_directions, batch, hidden_size
c0 = torch.rand(1,24,16)
lstm = nn.LSTM(100,16)
output,(h,c) = lstm(x,(h0,c0))
print(output.size())
print(h.size())
print(c.size())

torch.Size([10, 24, 16])
torch.Size([1, 24, 16])
torch.Size([1, 24, 16])

最后附上参数维度：

解释一下，第一行是构建lstm时的输入维度，后边几行是lstm用到的参数由输入维度推出来的维度

如果是双向num_directions=2，否则num_directions=1

参数	维度1	维度2	维度3
lstm=nn.LSTM	input_size	hidden_size	num_layers
x	seq_len	batch	input_size
h0	num_layers×num_directions	batch	hidden_size
c0	num_layers×num_directions	batch	hidden_size
output	seq_len	batch	num_directions×hidden_size
hn	num_layers×num_directions	batch	hidden_size
cn	num_layers×num_directions	batch	hidden_size