如何用 PyTorch 实现 RNN 网络

要使用 PyTorch 实现 RNN 网络，可以按照以下步骤：

1. 导入 PyTorch 库

import torch
import torch.nn as nn

2. 定义 RNN 模型

class RNN(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(RNN, self).__init__()

        self.hidden_size = hidden_size

        self.i2h = nn.Linear(input_size + hidden_size, hidden_size)
        self.i2o = nn.Linear(input_size + hidden_size, output_size)
        self.softmax = nn.LogSoftmax(dim=1)

    def forward(self, input, hidden):
        combined = torch.cat((input, hidden), 1)
        hidden = self.i2h(combined)
        output = self.i2o(combined)
        output = self.softmax(output)
        return output, hidden

    def initHidden(self):
        return torch.zeros(1, self.hidden_size)

在上面的代码中，`RNN` 类继承了 `nn.Module` 类，并定义了模型的三个部分：输入到隐藏层的线性层 `i2h`、输入到输出层的线性层 `i2o` 和 softmax 层。

3. 实例化 RNN 模型

input_size = 10
hidden_size = 20
output_size = 5

rnn = RNN(input_size, hidden_size, output_size)

在上面的代码中，我们实例化了一个 `RNN` 类，并传入了输入大小、隐藏层大小和输出大小。

4. 定义损失函数和优化器

criterion = nn.NLLLoss()
optimizer = torch.optim.SGD(rnn.parameters(), lr=0.1)

在上面的代码中，我们定义了损失函数和优化器。损失函数使用了负对数似然损失函数 `nn.NLLLoss()`，优化器使用了随机梯度下降优化器 `torch.optim.SGD()`。

5. 训练模型

input = torch.randn(1, input_size)
hidden = torch.randn(1, hidden_size)

optimizer.zero_grad()

for i in range(100):
    output, hidden = rnn(input, hidden)
    target = torch.tensor([1], dtype=torch.long)
    loss = criterion(output, target)
    loss.backward()
    optimizer.step()

在上面的代码中，我们使用 `torch.randn()` 生成了一个随机输入和隐藏状态，并使用 `optimizer.zero_grad()` 清除了梯度。然后我们循环 100 次，每次将输入和隐藏状态传入 RNN 模型得到输出和新的隐藏状态，并与目标值计算损失。最后使用反向传播和优化器更新模型参数。

这就是使用 PyTorch 实现 RNN 网络的基本步骤。