pytorch中使用LSTM详解

LSMT层

可以在troch.nn模块中找到LSTM类

lstm = torch.nn.LSTM(*paramsters)

1、__init__方法

首先对nn.LSTM类进行实例化，需要传入的参数如下图所示：

一般我们关注这4个：

• input_size表示输入的每个token的维度，也可以理解为一个word的embedding的维度。

• hidden_size表示隐藏层也就是记忆单元C的维度，也可以理解为要将一个word的embedding维度转变成另一个大小的维度。除了C，在LSTM中输出的H的维度与C的维度是一致的。

• num_layers表示有多少层LSTM，加深网络的深度，这个参数对LSTM的输出的维度是有影响的（后文会提到）。

• bidirectional表示是否需要双向LSTM，这个参数也会对后面的输出有影响。

2、forward方法的输入

将数据input传入forward方法进行前向传播时有3个参数可以输入，见下图：

• 这里要注意的是input参数各个维度的意义，一般来说如果不在实例化时制定batch_first=True,那么input的第一个维度是输入句子的长度seq_len，第二个维度是批量的大小，第三个维度是输入句子的embedding维度也就是input_size，这个参数要与__init__方法中的第一个参数对应。

• 另外记忆细胞中的两个参数h_0和c_0可以选择自己初始化传入也可以不传，系统默认是都初始化为0。传入的话注意维度[bidirectional * num_layers, batch_size, hidden_size]。

3、forward方法的输出

forward方法的输出如下图所示：

一般采用如下形式：

out,(h_n, c_n) = lstm(x)

out表示在最后一层上，每一个时间步的输出，也就是句子有多长，这个out的输出就有多长；其维度为[seq_len, batch_size, hidden_size * bidirectional]。因为如果的双向LSTM，最后一层的输出会把正向的和反向的进行拼接，故需要hidden_size * bidirectional。h_n表示的是每一层（双向算两层）在最后一个时间步上的输出；其维度为[bidirectional * num_layers, batch_size, hidden_size]
假设是双向的LSTM，且是3层LSTM，双向每个方向算一层，两个方向的组合起来叫一层LSTM，故共会有6层（3个正向，3个反向）。所以h_n是每层的输出，bidirectional * num_layers = 6。c_n表示的是每一层（双向算两层）在最后一个时间步上的记忆单元，意义不同，但是其余均与 h_n一样。

LSTMCell

可以在troch.nn模块中找到LSTMCell类

lstm = torch.nn.LSTMCell(*paramsters)

它的__init__方法的参数设置与LSTM类似，但是没有num_layers参数，因为这就是一个细胞单元，谈不上多少层和是否双向。
forward的输入和输出与LSTM均有所不同：

其相比LSTM，输入没有了时间步的概念，因为只有一个Cell单元；输出 也没有out参数，因为就一个Cell，out就是h_1，h_1和c_1也因为只有一个Cell单元，其没有层数上的意义，故只是一个Cell的输出的维度[batch_size, hidden_size].

代码演示如下：

rnn = nn.LSTMCell(10, 20) # (input_size, hidden_size)
input = torch.randn(2, 3, 10) # (time_steps, batch, input_size)
hx = torch.randn(3, 20) # (batch, hidden_size)
cx = torch.randn(3, 20)
output = []
# 从输入的第一个维度也就是seq_len上遍历，每循环一次，输入一个单词
for i in range(input.size()[0]):
# 更新细胞记忆单元
       hx, cx = rnn(input[i], (hx, cx))
       # 将每个word作为输入的输出存起来，相当于LSTM中的out
       output.append(hx)
output = torch.stack(output, dim=0)

来源：https://blog.csdn.net/qq_42961603/article/details/119638341