基于pytorch的lstm参数使用详解

基于基于pytorch的的lstm参数使用详解参数使用详解

今天小编就为大家分享一篇基于pytorch的lstm参数使用详解，具有很好的参考价值，希望对大家有所帮助。一

起跟随小编过来看看吧

lstm(*input, **kwargs)

将多层长短时记忆将多层长短时记忆(LSTM)神经网络应用于输入序列。神经网络应用于输入序列。

参数：参数：

input_size:输入'x'中预期特性的数量

hidden_size:隐藏状态'h'中的特性数量

输入输入:input，，(h_0, c_0)

**input**of shape (seq_len, batch, input_size):包含输入序列特征的张量。输入也可以是一个压缩的可变长度序列。

see:func:'torch.nn.utils.rnn.pack_padded_sequence' 或:func:'torch.nn.utils.rnn.pack_sequence' 的细节。

**h_0** of shape (num_layers * num_directions, batch, hidden_size):张量包含批处理中每个元素的初始隐藏状态。

如果RNN是双向的，num_directions应该是2，否则应该是1。

**c_0** of shape (num_layers * num_directions, batch, hidden_size):张量包含批处理中每个元素的初始单元格状态。

如果没有提供' (h_0, c_0) '，则**h_0**和**c_0**都默认为零。

输出输出:output，，(h_n, c_n)

**output**of shape (seq_len, batch, num_directions * hidden_size) :包含LSTM最后一层输出特征' (h_t) '张量，

对于每个t. If a:class: 'torch.nn.utils.rnn.PackedSequence' 已经给出，输出也将是一个打包序列。

所有的权重和偏差都初始化自: where:

include:: cudnn_persistent_rnn.rst

import torch

import torch.nn as nn

# 双向rnn例子

# rnn = nn.RNN(10, 20, 2)

# input = torch.randn(5, 3, 10)

# h0 = torch.randn(2, 3, 20)

# output, hn = rnn(input, h0)