不使用torch.nn.LSTM，用pytorch写一个LSTM网络结构

以下是使用 PyTorch 实现 LSTM 网络的代码示例：

import torch
import torch.nn as nn

class MyLSTM(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers):
        super(MyLSTM, self).__init__()
        self.input_size = input_size
        self.hidden_size = hidden_size
        self.num_layers = num_layers
        
        # 定义 LSTM 层
        self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True)
    
    def forward(self, x):
        # 初始化 LSTM 隐藏状态和单元状态
        h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(x.device)
        c0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(x.device)
        
        # 前向传播
        out, _ = self.lstm(x, (h0, c0))
        
        return out

在这个代码示例中，我们定义了一个名为 `MyLSTM` 的继承自 `nn.Module` 的类，它包含了一个 LSTM 层。在类的初始化函数中，我们定义了 LSTM 层的输入维度 `input_size`、隐藏状态的维度 `hidden_size`，以及 LSTM 层的层数 `num_layers`。然后，我们使用 `nn.LSTM()` 函数定义了一个 LSTM 层，并将其保存在 `self.lstm` 中。

在前向传播函数中，我们首先初始化了 LSTM 的隐藏状态和单元状态 `h0` 和 `c0`，并将其转移到输入张量 `x` 所在的设备上。然后，我们使用输入张量 `x` 和隐藏状态和单元状态 `h0` 和 `c0` 调用了 `self.lstm()` 函数来进行前向传播，得到了输出张量 `out`。最后，我们将 `out` 返回作为 LSTM 网络的输出。

使用这个代码示例，我们可以创建一个 `MyLSTM` 对象，将输入张量传递给它，然后使用它来进行前向传播。