深度学习双向gru模型代码

下面是一个基于 PyTorch 实现的双向 GRU 模型的代码：

import torch
import torch.nn as nn

class BiGRU(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers, output_size):
        super(BiGRU, self).__init__()
        self.hidden_size = hidden_size
        self.num_layers = num_layers
        self.gru = nn.GRU(input_size, hidden_size, num_layers, batch_first=True, bidirectional=True)
        self.fc = nn.Linear(hidden_size*2, output_size)

    def forward(self, x):
        h0 = torch.zeros(self.num_layers*2, x.size(0), self.hidden_size).to(device) # 初始化隐层状态
        out, _ = self.gru(x, h0)
        out = self.fc(out[:, -1, :])
        return out

其中，`input_size` 表示输入数据的特征维度，`hidden_size` 表示 GRU 模型的隐藏层维度，`num_layers` 表示 GRU 模型的层数，`output_size` 表示输出数据的维度。

在 `forward` 方法中，首先使用 `torch.zeros` 函数初始化隐层状态 `h0`，然后将输入数据 `x` 和隐层状态 `h0` 传入 `nn.GRU` 中进行计算，得到输出 `out`。最后，将 `out` 的最后一个时间步的输出传入全连接层 `nn.Linear` 中，得到最终的输出结果。由于是双向 GRU 模型，所以 `out` 的维度为 `(batch_size, sequence_length, hidden_size*2)`，在传入全连接层之前需要取最后一个时间步的输出，因此使用 `out[:, -1, :]` 提取最后一个时间步的输出。