基于pytorch生成一份代码实现RNN，以sigmoid为激活函数

好的，以下是一个基于PyTorch实现的RNN，使用sigmoid作为激活函数：

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.sigmoid = nn.Sigmoid()

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

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

# 示例调用
input_size = 10
hidden_size = 20
output_size = 5

rnn = RNN(input_size, hidden_size, output_size)
input = torch.randn(1, input_size)
hidden = torch.randn(1, hidden_size)
output, next_hidden = rnn(input, hidden)
print(output)

上述代码中，我们首先定义了一个RNN类，该类继承了PyTorch的`nn.Module`类，然后在`__init__`函数中定义了RNN的网络结构，包括输入层到隐层的线性变换（`i2h`）、输入层到输出层的线性变换（`i2o`）以及激活函数（`sigmoid`）。

在`forward`函数中，我们首先将输入和上一时刻的隐层状态拼接起来，然后分别经过`i2h`和`i2o`的线性变换后，再经过激活函数（`sigmoid`）得到当前时刻的输出和隐层状态。最后将输出和下一时刻的隐层状态作为函数的返回值。

在`initHidden`函数中，我们初始化一个全零的隐层状态。在实际应用中，我们可以手动设置初始隐层状态或者让模型自动学习初始状态。

在示例调用中，我们首先定义了输入层、隐层和输出层的维度，然后创建了一个RNN对象（`rnn`）并输入一个随机输入和随机初始隐层状态，最后打印出了输出。