torch.nn.LSTM

torch.nn.LSTM是PyTorch中用于实现长短期记忆(LSTM)网络的类。LSTM是一种循环神经网络(RNN)的变种，它在处理序列数据时能够更好地捕捉长期依赖关系。torch.nn.LSTM具有以下参数:
- input_size: 输入数据的特征维数，通常是词向量的维度。
- hidden_size: LSTM中隐藏层的维度。
- num_layers: 循环神经网络的层数。
- bias: 是否使用偏置，默认为True。
- batch_first: 输入数据的形状是否为(batch_size, seq_length, embedding_dim)，默认为False。
- dropout: 用于控制随机失活的概率，默认为0，表示不使用dropout。
- bidirectional: 是否使用双向LSTM，默认为False。

输入数据包括input、(h_0, c_0)，其中：
- input: 形状为[seq_length, batch_size, input_size]的张量，包含输入序列的特征。
- h_0: 形状为[num_layers * num_directions, batch_size, hidden_size]的张量，包含每个句子的初始隐藏状态。
- c_0: 形状与h_0相同，包含每个句子的初始细胞状态。

输出数据包括output、(h_t, c_t)，其中：
- output: 形状为[seq_length, batch_size, num_directions * hidden_size]的张量，包含LSTM最后一层的输出特征。
- h_t: 形状为[num_directions * num_layers, batch_size, hidden_size]的张量，包含每个batch中每个句子的最后一个时间步的隐藏状态。
- c_t: 形状与h_t相同，包含每个batch中每个句子的最后一个时间步的细胞状态。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* [torch.nn.LSTM](https://blog.csdn.net/weixin_43269419/article/details/121344564)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"]
- *2* *3* [关于torch.nn.LSTM()的详解（维度，输入，输出）](https://blog.csdn.net/weixin_44201449/article/details/111129248)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"]
[ .reference_list ]