深度学习速成(12)LSTM的参数_lstm参数

1.LSTM的参数

在PyTorch的torch.nn模块中，LSTM（长短时记忆网络）的参数包括以下内容：

1. input_size：输入向量的特征维度
2. hidden_size：隐藏状态的维度，也是LSTM单元中隐层状态的维度
3. num_layers：LSTM的层数（或者叫深度）
4. bias：一个布尔值，表示LSTM是否使用偏置，默认为True
5. batch_first：一个布尔值，表示输入张量的第一个维度是否是batch维，默认为False
6. dropout：一个介于0和1之间的数值，表示应用于每个LSTM层输出的dropout比率，默认为0（不应用dropout）
7. bidirectional：一个布尔值，表示LSTM是否是双向的，默认为False

这些参数定义了LSTM模型的基本结构和属性。在实际使用时，可以根据任务和数据的特点来选择和调整这些参数。例如，input_size决定了输入特征的维度，hidden_size决定了隐藏状态的维度，num_layers决定了LSTM的层次深度等等。

除了这些参数，LSTM模型还有其他可训练的参数，例如权重和偏置，在LSTM模型的初始化过程中，这些参数会自动创建。这些可训练的参数可以通过模型的parameters()方法进行访问和优化。

2.LSTM的实例化

在PyTorch中，可以通过torch.nn模块来实例化一个LSTM模型。

下面是一个简单实例：

import torch
import torch.nn as nn
 
# 定义LSTM模型
class LSTMModel(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers, output_size):
        super(LSTMModel, self).__init__()
        self.hidden_size = hidden_size
        self.num_layers = num_layers
 
        # LSTM层
        self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True)
 
        # 全连接层
        self.fc = nn.Linear(hidden_size, output_size)
 
    def forward(self, x):
        # 初始化隐藏状态和细胞状态
        h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(x.device)
        c0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(x.device)
 
        # 前向传播
        out, _ = self.lstm(x, (h0, c0))
        out = out[:, -1, :]  # 取最后一个时间步的输出
        out = self.fc(out)
        return out
 
# 实例化LSTM模型
input_size = 10
hidden_size = 20
num_layers = 2
output_size = 1
 
model = LSTMModel(input_size, hidden_size, num_layers, output_size)

3.LSTM的输入输出

实例化LSTM之后，不仅要传入数据，还需要传入前一次的隐藏状态h_0,和前一次的记忆C_0

输入：(input,(h_0,C_0))

其格式为：

input shape=[batch_size , seq_len , input_size]

h_0 shape=[num_layers * nnum_directions , batch_size , hidden_size]

C_0 shape=[num_layers * nnum_directions , batch_size , hidden_size]

输出：(output,(h_0,C_0))

其格式为：

output shape=[batch_size , seq_len , num_layers * nnum_directions]

h_n shape=[num_layers * nnum_directions , batch_size , hidden_size]

C_n=h_n