LSTM torch

LSTM是一种循环神经网络，它在处理序列数据时非常有效。基于pytorch，可以从头实现单向、多层和双向LSTM，并提供完整的使用代码。同时，还可以与torch自带的LSTM进行对比实验。

在定义LSTM时，有一些参数需要注意。其中，bidirectional是一个布尔值，默认为False，表示单向RNN；如果设置为True，则表示双向LSTM。

下面是一个LSTM的实例：

import torch
import torch.nn
from torch.autograd import Variable

# 构造LSTM网络，输入维度为5，隐藏层维度为10，网络层数为3，双向LSTM
lstm_ = torch.nn.LSTM(input_size=5, hidden_size=10, num_layers=3, bias=True, batch_first=False, dropout=0, bidirectional=True)

# 构造一个输入序列，长度为6，batch大小为3，特征维度为5
inputs = Variable(torch.randn(6, 3, 5))

# 初始化h0和c0，注意维度与网络参数匹配
h_0 = torch.randn(3*2, 3, 10)
c_0 = torch.randn(3*2, 3, 10)

# 将输入序列传入LSTM网络
out, (h_t, c_t) = lstm_(inputs, (h_0, c_0))

# 输出结果的维度
print('out.shape: ', out.shape)
print('h_t.shape: ', h_t.shape)
print('c_t.shape: ', c_t.shape)

在这个实例中，我们构造了一个具有6个时间步长、3个样本和5个特征的输入序列，并设置了3层双向LSTM。最后，打印出输出结果的维度。