BiLSTM的Python代码

下面是一个简单的使用BiLSTM模型的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)
    
    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h0
        c0 = torch.zeros(self.num_layers * 2, x.size(0), self.hidden_size).to(device)  # 初始化细胞状态c0
        
        out, _ = self.lstm(x, (h0, c0))
        
        out = self.fc(out[:, -1, :])  # 获取最后一个时间步的输出
        
        return out

# 设置超参数
input_size = 28  # 输入特征维度
hidden_size = 128  # LSTM隐藏层大小
num_layers = 2  # LSTM层数
num_classes = 10  # 分类类别数

# 构建模型
model = BiLSTM(input_size, hidden_size, num_layers, num_classes)

# 预测样例
sample_input = torch.randn(1, 28, 28)  # 输入样例
outputs = model(sample_input)
print(outputs)

这段代码定义了一个BiLSTM模型，用于进行文本分类等任务。通过`forward`方法定义了前向传播过程，使用`nn.LSTM`构建双向LSTM层，并使用线性层`nn.Linear`将LSTM输出映射到类别数目上。最后，我们可以通过输入一个样例数据来进行预测。请注意，这只是一个简单的示例，并且可能需要根据实际任务进行调整和修改。