pytorch 建立3层lstm

可以使用 PyTorch 中的 `nn.LSTM` 模块来建立3层LSTM网络。以下是一个简单的示例代码：

import torch.nn as nn

class LSTMModel(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers, output_size):
        super(LSTMModel, self).__init__()
        self.num_layers = num_layers
        self.hidden_size = hidden_size
        self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True)
        self.fc = nn.Linear(hidden_size, output_size)

    def forward(self, x):
        h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(device=x.device)
        c0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(device=x.device)
        out, _ = self.lstm(x, (h0, c0))
        out = self.fc(out[:, -1, :])
        return out

在此示例中，我们定义了一个 `LSTMModel` 类，它继承自 `nn.Module`。该模型具有一个 `nn.LSTM` 层和一个全连接层 (`nn.Linear`)，用于将LSTM输出转换为所需的输出大小。`nn.LSTM` 层的参数包括输入大小 (`input_size`)、隐藏层大小 (`hidden_size`)、层数 (`num_layers`) 和 `batch_first=True`，表示输入的第一个维度是批量大小而不是序列长度。在 `forward()` 方法中，我们首先将输入传递给 `nn.LSTM` 层，然后将最后一个时间步 (`out[:, -1, :]`) 的输出传递给全连接层。最后，我们返回全连接层的输出。

要使用此模型，我们需要指定输入大小 (`input_size`)、隐藏层大小 (`hidden_size`)、层数 (`num_layers`) 和输出大小 (`output_size`)。例如，如果我们想要处理具有10个时间步长和5个特征的序列，并且输出为2个类别，则可以创建以下模型：

model = LSTMModel(input_size=5, hidden_size=64, num_layers=3, output_size=2)

这将创建一个具有3层LSTM的模型，每层的隐藏大小为64。