代码import torch def rnn(input,state,params): """ 循环神经网络的前向传播 :param input: 输入，形状为 [ batch_size,num_inputs ] :param state: 上一时刻循环神经网络的状态，形状为 [ batch_size,num_hiddens ] :param params: 循环神经网络的所使用的权重以及偏置 :return: 输出结果和此时刻网络的状态 """ W_xh,W_hh,b_h,W_hq,b_q = params """ W_xh : 输入层到隐藏层的权重 W_hh : 上一时刻状态隐藏层到当前时刻的权重 b_h : 隐藏层偏置 W_hq : 隐藏层到输出层的权重 b_q : 输出层偏置 """ H = state ########## Begin ########## # 输入层到隐藏层 # 隐藏层到输出层 ########## End ########## return Y,H def init_rnn_state(num_inputs,num_hiddens): """ 循环神经网络的初始状态的初始化 :param num_inputs: 输入层中神经元的个数 :param num_hiddens: 隐藏层中神经元的个数 :return: 循环神经网络初始状态 """ ########## Begin ########## ########## End ########## return init_state补充，输出预期输出： init success! rnn success!

代码补充如下：

import torch

def rnn(input,state,params):
    """
    循环神经网络的前向传播
    :param input: 输入，形状为 [ batch_size,num_inputs ]
    :param state: 上一时刻循环神经网络的状态，形状为 [ batch_size,num_hiddens ]
    :param params: 循环神经网络的所使用的权重以及偏置
    :return: 输出结果和此时刻网络的状态
    """
    W_xh,W_hh,b_h,W_hq,b_q = params
    """
    W_xh : 输入层到隐藏层的权重
    W_hh : 上一时刻状态隐藏层到当前时刻的权重
    b_h : 隐藏层偏置
    W_hq : 隐藏层到输出层的权重
    b_q : 输出层偏置
    """
    H = state
    
    ########## Begin ##########
    # 输入层到隐藏层
    H = torch.tanh(torch.matmul(input, W_xh) + torch.matmul(H, W_hh) + b_h)
    # 隐藏层到输出层
    Y = torch.matmul(H, W_hq) + b_q
    ########## End ##########
    
    return Y,H

def init_rnn_state(num_inputs,num_hiddens):
    """
    循环神经网络的初始状态的初始化
    :param num_inputs: 输入层中神经元的个数
    :param num_hiddens: 隐藏层中神经元的个数
    :return: 循环神经网络初始状态
    """
    ########## Begin ##########
    return torch.zeros(1, num_hiddens)
    ########## End ##########
    
init_state = init_rnn_state(10, 20)
if torch.equal(init_state, torch.zeros(1, 20)):
    print("init success!")
else:
    print("init failed!")
    
input_data = torch.ones(1, 10)
state = init_rnn_state(10, 20)
params = (torch.randn(10, 20), torch.randn(20, 20), torch.randn(1, 20), torch.randn(20, 5), torch.randn(1, 5))
Y, H = rnn(input_data, state, params)

if Y.shape == torch.Size([1, 5]) and H.shape == torch.Size([1, 20]):
    print("rnn success!")
else:
    print("rnn failed!")

预期输出为：

init success!
rnn success!