深度学习的rnn模型核心代码

下面是一个基本的RNN模型的核心代码，它使用PyTorch实现：

import torch
import torch.nn as nn

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)

这是一个简单的基于逐个时间步骤输入的RNN模型。它的输入和输出大小都可以根据具体的应用进行调整。在模型的forward()函数中，它将输入和上一个时间步骤的隐状态进行合并，然后通过两个线性层进行计算，最后进行softmax输出。在训练时，我们可以使用标准的反向传播算法来更新模型的参数。