pytorch双向lstm

PyTorch中的双向LSTM（Bidirectional LSTM）是一种常用的序列模型，可以用于处理自然语言处理任务，如文本分类、情感分析等。双向LSTM结合了前向LSTM和后向LSTM，可以更好地捕捉序列中的上下文信息。

在PyTorch中，你可以使用`torch.nn.LSTM`来构建双向LSTM模型。要实现双向性，你需要将两个LSTM层分别设置为前向和后向，并将它们串联在一起。

以下是一个简单的示例代码，展示了如何在PyTorch中构建一个双向LSTM模型：

import torch
import torch.nn as nn

class BiLSTM(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers, num_classes):
        super(BiLSTM, self).__init__()
        self.hidden_size = hidden_size
        self.num_layers = num_layers
        self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True, bidirectional=True)
        self.fc = nn.Linear(hidden_size * 2, num_classes)  # *2因为前向和后向各有一个隐藏状态

    def forward(self, x):
        h0 = torch.zeros(self.num_layers * 2, x.size(0), self.hidden_size).to(x.device)  # 初始化前向和后向隐藏状态
        c0 = torch.zeros(self.num_layers * 2, x.size(0), self.hidden_size).to(x.device)

        out, _ = self.lstm(x, (h0, c0))  # LSTM输出为out，_表示忽略最终的隐藏状态
        out = self.fc(out[:, -1, :])  # 选择最后一个时间步的输出作为预测

        return out

# 示例用法
input_size = 100  # 输入特征维度
hidden_size = 128  # 隐藏层大小
num_layers = 2  # LSTM层数
num_classes = 10  # 分类类别数

model = BiLSTM(input_size, hidden_size, num_layers, num_classes)
inputs = torch.randn(32, 10, input_size)  # 输入数据形状为(batch_size, sequence_length, input_size)
outputs = model(inputs)
print(outputs.shape)  # 输出形状为(batch_size, num_classes)

在这个示例中，我们首先定义了一个`BiLSTM`类继承自`nn.Module`，并在`__init__`方法中初始化了LSTM层和全连接层。在`forward`方法中，我们使用零张量初始化了前向和后向的隐藏状态，然后通过LSTM层进行前向传播。最后，我们选择最后一个时间步的输出，并通过全连接层将其映射到预测类别。

希望对你有所帮助！如果还有其他问题，请随时提问。