如何调用torch中的RNN代码，能得到RNN的神经元权值矩阵

以下是使用PyTorch调用RNN代码并获取神经元权值矩阵的示例：

import torch
import torch.nn as nn

# 定义RNN模型
class RNN(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(RNN, self).__init__()
        self.hidden_size = hidden_size
        self.i2h = nn.Linear(input_size + hidden_size, hidden_size)
        self.i2o = nn.Linear(input_size + hidden_size, output_size)
        self.softmax = nn.LogSoftmax(dim=1)

    def forward(self, input, hidden):
        combined = torch.cat((input, hidden), 1)
        hidden = self.i2h(combined)
        output = self.i2o(combined)
        output = self.softmax(output)
        return output, hidden

    def initHidden(self):
        return torch.zeros(1, self.hidden_size)

# 实例化RNN模型
input_size = 10
hidden_size = 20
output_size = 5
rnn = RNN(input_size, hidden_size, output_size)

# 获取神经元权值矩阵
for name, param in rnn.named_parameters():
    if 'weight_ih' in name:
        print('Input to Hidden Layer Matrix: ', param.data)
    elif 'weight_hh' in name:
        print('Hidden to Hidden Layer Matrix: ', param.data)
    elif 'weight_ho' in name:
        print('Hidden to Output Layer Matrix: ', param.data)

在上面的示例中，我们首先定义了一个RNN模型，然后实例化该模型。接下来，我们使用`named_parameters()`方法获取模型的所有参数，并使用条件语句检查每个参数的名称，以获取我们需要的权值矩阵。最后，我们打印出每个权值矩阵。请注意，这里我们只打印了输入到隐藏层、隐藏层到隐藏层和隐藏层到输出层的权值矩阵。