textrnn使用gru

### TextRNN 中 GRU 的应用

在文本分类任务中，TextRNN 使用循环神经网络（Recurrent Neural Network, RNN）来捕捉文本中的上下文依赖关系。为了提高性能并简化训练过程，Gated Recurrent Unit (GRU) 被广泛应用于此类任务中[^1]。

#### 构建基于 GRU 的 TextRNN 模型

构建一个基于 GRU 的 TextRNN 模型通常涉及以下几个方面：

- **输入层**：接受词向量作为输入。这些词向量可以通过预训练的嵌入矩阵获得。

- **双向 GRU 层**：将嵌入后的序列送入 bi-directional GRU 网络中获取更丰富的文本特征表示。这允许模型同时考虑前向和后向的信息流，从而更好地理解句子结构[^3]。

import torch.nn as nn

class BiGRUModel(nn.Module):
    def __init__(self, vocab_size, embed_dim, hidden_dim, num_classes):
        super(BiGRUModel, self).__init__()
        
        # 定义Embedding层
        self.embedding = nn.Embedding(vocab_size, embed_dim)

        # 双向GRU层
        self.bigru = nn.GRU(embed_dim, hidden_dim, bidirectional=True, batch_first=True)
    
        # 输出全连接层
        self.fc_out = nn.Linear(hidden_dim * 2, num_classes)

    def forward(self, text):
        embedded = self.embedding(text)
        output, _ = self.bigru(embedded)
        out_forward = output[:, -1, :hidden_dim]
        out_backward = output[:, 0, hidden_dim:]
        final_output = torch.cat((out_forward, out_backward), dim=1)
        logits = self.fc_out(final_output)
        return logits

此代码片段展示了如何定义一个简单的双向 GRU 模型用于文本分类。通过 `nn.GRU` 函数创建了一个具有双向特性的 GRU 单元，并设置了参数使得它可以接收批量数据(`batch_first=True`)。最终，在最后一个时间步上拼接正反两个方向的状态输出，并传递给线性变换以预测类别标签。