bilstm python代码

BiLSTM（双向长短时记忆网络）是一种常用的深度学习模型，用于处理序列数据。下面是一个简单的BiLSTM的Python代码示例：

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)  # 因为是双向的，所以隐藏层大小要乘以2

    def forward(self, x):
        h0 = torch.zeros(self.num_layers * 2, x.size(0), self.hidden_size).to(device)  # 初始化隐藏状态
        c0 = torch.zeros(self.num_layers * 2, x.size(0), self.hidden_size).to(device)  # 初始化cell状态

        out, _ = self.lstm(x, (h0, c0))  # 前向传播

        out = self.fc(out[:, -1, :])  # 取最后一个时间步的输出

        return out

# 使用示例
input_size = 10  # 输入特征维度
hidden_size = 32  # 隐藏层大小
num_layers = 2  # LSTM层数
num_classes = 2  # 分类类别数

model = BiLSTM(input_size, hidden_size, num_layers, num_classes)
inputs = torch.randn(5, 3, 10)  # 输入数据，维度为(batch_size, sequence_length, input_size)
outputs = model(inputs)
print(outputs.shape)  # 输出结果的维度为(batch_size, num_classes)

这段代码定义了一个BiLSTM模型，包括初始化函数和前向传播函数。在初始化函数中，我们定义了LSTM层和全连接层。在前向传播函数中，我们首先初始化隐藏状态和cell状态，然后通过LSTM层进行前向传播，最后通过全连接层得到输出结果。