双向LSTM模型代码pytorch

以下是一个简单的双向LSTM模型代码示例，使用PyTorch框架实现：

import torch.nn as nn

class BiLSTM(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers, output_size):
        super(BiLSTM, self).__init__()
        self.input_size = input_size
        self.hidden_size = hidden_size
        self.num_layers = num_layers
        self.output_size = output_size
        
        self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True, bidirectional=True)
        self.fc = nn.Linear(hidden_size*2, output_size)
        
    def forward(self, x):
        h0 = torch.zeros(self.num_layers*2, x.size(0), self.hidden_size).to(device)
        c0 = torch.zeros(self.num_layers*2, x.size(0), self.hidden_size).to(device)
        
        out, _ = self.lstm(x, (h0, c0))
        
        out = self.fc(out[:, -1, :])
        
        return out

这个模型有4个参数：输入大小（input_size），隐藏层大小（hidden_size），LSTM层数（num_layers）和输出大小（output_size）。模型的主要部分是一个双向LSTM层，其输入为一个批次数据，输出为一个批次的隐藏状态。然后，通过一个线性层将最后一个时间步骤的隐藏状态转换为输出。

在前向传递中，我们首先使用LSTM层对输入进行处理，并将最后一个时间步骤的隐藏状态传递给线性层。最后，我们返回输出。

请注意，我们还在构造函数中创建了一个初始隐藏状态（h0和c0），这是因为LSTM层需要一个初始隐藏状态作为输入。这些初始隐藏状态可以通过将所有元素设置为零来创建。

此模型可以用于各种NLP任务，例如情感分析、命名实体识别和机器翻译等。