pytorch GRU

以下是关于PyTorch中GRU的介绍和演示：

GRU是一种循环神经网络，它可以用于处理序列数据。在PyTorch中，可以使用`nn.GRU`模块来创建GRU模型。下面是一个简单的例子：

import torch
import torch.nn as nn

# 定义GRU模型
model = nn.GRU(input_size=3, hidden_size=10, num_layers=2, batch_first=True)

# 输入数据
x = torch.randn(32, 5, 3)

# 前向传播
output, h_0 = model(x)

# 输出形状
print(output.shape) # torch.Size([32, 5, 10])

在上面的例子中，我们定义了一个具有2个GRU层的模型，每个层有10个隐藏单元。输入数据的形状为`(batch_size, seq_len, input_size)`，在这个例子中，batch_size为32，seq_len为5，input_size为3。`batch_first=True`表示输入数据的第一个维度是batch_size。在前向传播过程中，模型将输入数据作为输入，并返回输出和最后一个时间步的隐藏状态。输出的形状为`(batch_size, seq_len, hidden_size)`，在这个例子中，输出的形状为`(32, 5, 10)`。

如果将GRU设置为双向，可以将`bidirectional`参数设置为`True`。下面是一个例子：

import torch
import torch.nn as nn

# 定义双向GRU模型
model = nn.GRU(input_size=3, hidden_size=10, num_layers=2, batch_first=True, bidirectional=True)

# 输入数据
x = torch.randn(32, 5, 3)

# 前向传播
output, h_0 = model(x)

# 输出形状
print(output.shape) # torch.Size([32, 5, 20])

在上面的例子中，我们定义了一个具有2个双向GRU层的模型，每个层有10个隐藏单元。输入数据的形状为`(batch_size, seq_len, input_size)`，在这个例子中，batch_size为32，seq_len为5，input_size为3。在前向传播过程中，模型将输入数据作为输入，并返回输出和最后一个时间步的隐藏状态。输出的形状为`(batch_size, seq_len, hidden_size*num_directions)`，在这个例子中，输出的形状为`(32, 5, 20)`。