基于Pytorch 实现RNN

要基于 PyTorch 实现 RNN，需要先导入 PyTorch 库：

import torch
import torch.nn as nn

然后可以定义一个 RNN 模型，如下所示：

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 init_hidden(self):
        return torch.zeros(1, self.hidden_size)

在上面的代码中，`RNN` 类继承了 `nn.Module` 类，并实现了 `__init__` 和 `forward` 两个方法。`__init__` 方法用于初始化 RNN 模型的参数，包括输入大小、隐藏层大小和输出大小。`forward` 方法用于计算 RNN 模型的输出和隐藏状态。在 `forward` 方法中，首先将输入和隐藏状态进行拼接，然后分别通过两个全连接层 `i2h` 和 `i2o` 得到新的隐藏状态和输出，最后使用 `softmax` 函数将输出转换为概率分布。

另外，`init_hidden` 方法用于初始化隐藏状态，返回一个大小为 `(1, hidden_size)` 的全零张量。

最后，可以使用以下代码来创建 RNN 模型和输入数据：

input_size = 10
hidden_size = 20
output_size = 5
rnn = RNN(input_size, hidden_size, output_size)
input = torch.randn(1, input_size)
hidden = rnn.init_hidden()
output, next_hidden = rnn(input, hidden)

其中，`input_size`、`hidden_size` 和 `output_size` 分别为输入、隐藏层和输出层的大小，`input` 为一个大小为 `(1, input_size)` 的随机输入张量，`hidden` 为一个大小为 `(1, hidden_size)` 的全零张量，`output` 和 `next_hidden` 分别为 RNN 模型的输出和下一个时间步的隐藏状态。