（BiLSTM）结构图

### BiLSTM架构图

BiLSTM（双向长短期记忆网络）是一种特殊的RNN结构，能够同时处理前向和反向的信息流。这种设计使得模型可以从两个方向捕捉输入序列中的特征，从而提高预测性能[^1]。

#### 架构描述
在典型的BiLSTM中：

- 输入数据会分别传递给两个独立的LSTM单元：一个用于正向处理（从左到右），另一个用于逆向处理（从右到左）
- 每个时间步t处的状态由两部分组成——来自正向传播的结果ht→ 和 来自逆向传播的结果ht←
- 这些状态最终会被拼接起来形成该时刻完整的表示形式h̃ t=[ht→; ht← ]

以下是简化版的BiLSTM架构示意代码:

import torch.nn as nn

class BiLSTM(nn.Module):
    def __init__(self, vocab_size, embed_dim, hidden_dim, output_dim):
        super(BiLSTM, self).__init__()
        
        # 定义嵌入层
        self.embedding = nn.Embedding(vocab_size, embed_dim)

        # 定义双向往返循环神经网络层
        self.lstm = nn.LSTM(embed_dim,
                            hidden_dim,
                            bidirectional=True,
                            batch_first=True)
                            
        # 输出全连接层
        self.fc = nn.Linear(hidden_dim * 2, output_dim)  

    def forward(self, text_ids):    
        embedded = self.embedding(text_ids)
        lstm_out, _ = self.lstm(embedded)
        final_hidden_state = lstm_out[:, -1, :]
        logits = self.fc(final_hidden_state)
        return logits.sigmoid()

此段代码展示了如何构建一个简单的PyTorch实现，其中包含了三个主要组件：`embedding layer`, `bidirectional LSTM layer`以及`fully connected linear layer`.

对于可视化方面，虽然无法直接在此提供图像文件，但可以根据上述文字说明绘制相应的框图来展示各个模块之间的关系及其工作流程。