神经网络 torch.nn---nn.RNN()
torch.nn - PyTorch中文文档 (pytorch-cn.readthedocs.io)
RNN — PyTorch 2.3 documentation
torch.nn---nn.RNN()
nn.RNN(input_size=input_x,hidden_size=hidden_num,num_layers=1,nonlinearity='tanh', #默认'tanh'bias=True, #默认是Truebatch_first=False,dropout=0,bidirectional=False #默认为False)参数说明：
-
input_size – 输入
x的特征数量。 -
hidden_size – 隐层的特征数量。
-
num_layers – RNN的层数。
-
nonlinearity – 激活函数。指定非线性函数使用
tanh还是relu。默认是tanh。 -
bias – 是否使用偏置。
-
batch_first – 如果True的话，那么输入
Tensor的shape应该是[batch_size, time_step, feature],输出也是这样。默认是 False，就是这样形式，(seq(num_step), batch, input_dim)，也就是将序列长度放在第一位，batch 放在第二位 -
dropout – 默认不使用，如若使用将其设置成一个0-1的数字即可。如果值非零，那么除了最后一层外，其它层的输出都会套上一个
dropout层。 -
是否使用双向的 rnn，默认是 False
输入输出shape
RNN的输入：input_shape = [时间步数, 批量大小, 特征维度] = [num_steps(seq_length), batch_size, input_dim]=input (seq_len, batch, input_size)保存输入序列特征的tensor。RNN的隐藏层：h_0 (num_layers * num_directions, batch, hidden_size): 保存着初始隐状态的tensor。RNN的输出： (output, h_n)。在前向计算后会分别返回输出和隐藏状态h，其中输出指的是隐藏层在各个时间步上计算并输出的隐藏状态，它们通常作为后续输出层的输⼊。- output (seq_len, batch, hidden_size * num_directions)形状为(时间步数, 批量大小, 隐藏单元个数): 保存着
RNN最后一层的输出特征。如果输入是被填充过的序列，那么输出也是被填充的序列。 - 隐藏状态h的形状为(层数, 批量大小,隐藏单元个数)=h_n (num_layers * num_directions, batch, hidden_size): 保存着最后一个时刻隐状态。隐藏状态指的是隐藏层在最后时间步的隐藏状态：当隐藏层有多层时，每⼀层的隐藏状态都会记录在该变量中。
RNN模型参数:
-
weight_ih_l[k] – 第
k层的input-hidden权重， 可学习，形状是(input_size x hidden_size)。 -
weight_hh_l[k] – 第
k层的hidden-hidden权重， 可学习，形状是(hidden_size x hidden_size) -
bias_ih_l[k] – 第
k层的input-hidden偏置， 可学习，形状是(hidden_size) -
bias_hh_l[k] – 第
k层的hidden-hidden偏置， 可学习，形状是(hidden_size)
计算过程
h_t是时刻t的隐状态。
x_t是上一层时刻t的隐状态，或者是第一层在时刻t的输入。
如果nonlinearity='relu',那么将使用relu代替tanh作为激活函数。