赞
踩
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客
本文网址:https://blog.csdn.net/HiWangWenBing/article/details/121644547
目录
input_size: 输入序列的一维向量的长度。
hidden_size: 隐层的输出特征的长度。
num_layers:隐藏层堆叠的高度,用于增加隐层的深度。
bias:是否需要偏置b
batch_first:用于确定batch size是否需要放到输入输出数据形状的最前面。
若为真,则输入、输出的tensor的格式为(batch , seq , feature)
若为假,则输入、输出的tensor的格式为(seq, batch , feature)
为什么需要该参数呢?
在CNN网络和全连接网络,batch通常位于输入数据形状的最前面 。
而对于具有时间信息的序列化数据,通常需要把seq放在最前面,需要把序列数据串行地输入网络中。
dropout: 默认0 若非0,则为dropout率。
bidirectional:是否为双向LSTM, 默认为否
lstm (input, (h_0, c_0))
(1)当batch_first=false(默认)
input的形状为(seq_len, batch, input_size)
(2)当batch_first=true
input的形状为(batch, seq_len, input_size)
(3)参数解读
若h_0和c_0不提供,则默认为全0 .
h_0是格式为: (num_layers * num_directions, batch, hidden_size) 的tensor
若c_0不提供时,则默认为全0 .
c_0是格式为: (num_layers * num_directions, batch, hidden_size) 的tensor
output, (h_n, c_n) = lstm (input, (h_0, c_0))
(1)当batch_first=false(默认)
input的形状为(seq_len, batch, num_layers * num_directions,)
(2)当batch_first=true
input的形状为(batch, seq_len, num_layers * num_directions,)
(3)参数解读
h_0是格式为: (num_layers * num_directions, batch, hidden_size) 的tensor
c_0是格式为: (num_layers * num_directions, batch, hidden_size) 的tensor
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客
本文网址:https://blog.csdn.net/HiWangWenBing/article/details/121644547
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。