pytorch中使用LSTM詳解

Posted on by

LSMT層

可以在troch.nn模塊中找到LSTM類

lstm = torch.nn.LSTM(*paramsters)

1、__init__方法

首先對nn.LSTM類進行實例化，需要傳入的參數如下圖所示：

一般我們關註這4個：

  • input_size表示輸入的每個token的維度，也可以理解為一個word的embedding的維度。
  • hidden_size表示隱藏層也就是記憶單元C的維度，也可以理解為要將一個word的embedding維度轉變成另一個大小的維度。除瞭C，在LSTM中輸出的H的維度與C的維度是一致的。
  • num_layers表示有多少層LSTM，加深網絡的深度，這個參數對LSTM的輸出的維度是有影響的（後文會提到）。
  • bidirectional表示是否需要雙向LSTM，這個參數也會對後面的輸出有影響。

2、forward方法的輸入

將數據input傳入forward方法進行前向傳播時有3個參數可以輸入，見下圖：

  • 這裡要註意的是input參數各個維度的意義，一般來說如果不在實例化時制定batch_first=True,那麼input的第一個維度是輸入句子的長度seq_len，第二個維度是批量的大小，第三個維度是輸入句子的embedding維度也就是input_size，這個參數要與__init__方法中的第一個參數對應。
  • 另外記憶細胞中的兩個參數h_0和c_0可以選擇自己初始化傳入也可以不傳，系統默認是都初始化為0。傳入的話註意維度[bidirectional * num_layers, batch_size, hidden_size]。

3、forward方法的輸出

forward方法的輸出如下圖所示：

一般采用如下形式：

out,(h_n, c_n) = lstm(x)

out表示在最後一層上，每一個時間步的輸出，也就是句子有多長，這個out的輸出就有多長；其維度為[seq_len, batch_size, hidden_size * bidirectional]。因為如果的雙向LSTM，最後一層的輸出會把正向的和反向的進行拼接，故需要hidden_size * bidirectional。h_n表示的是每一層（雙向算兩層）在最後一個時間步上的輸出；其維度為[bidirectional * num_layers, batch_size, hidden_size]
假設是雙向的LSTM，且是3層LSTM，雙向每個方向算一層，兩個方向的組合起來叫一層LSTM，故共會有6層（3個正向，3個反向）。所以h_n是每層的輸出，bidirectional * num_layers = 6。c_n表示的是每一層（雙向算兩層）在最後一個時間步上的記憶單元，意義不同，但是其餘均與 h_n一樣。

LSTMCell

可以在troch.nn模塊中找到LSTMCell類

lstm = torch.nn.LSTMCell(*paramsters)

它的__init__方法的參數設置與LSTM類似，但是沒有num_layers參數，因為這就是一個細胞單元，談不上多少層和是否雙向。
forward的輸入和輸出與LSTM均有所不同：

其相比LSTM，輸入沒有瞭時間步的概念，因為隻有一個Cell單元；輸出 也沒有out參數，因為就一個Cell，out就是h_1，h_1和c_1也因為隻有一個Cell單元，其沒有層數上的意義，故隻是一個Cell的輸出的維度[batch_size, hidden_size].

代碼演示如下：

rnn = nn.LSTMCell(10, 20) # (input_size, hidden_size)
input = torch.randn(2, 3, 10) # (time_steps, batch, input_size)
hx = torch.randn(3, 20) # (batch, hidden_size)
cx = torch.randn(3, 20)
output = []
# 從輸入的第一個維度也就是seq_len上遍歷，每循環一次，輸入一個單詞
for i in range(input.size()[0]):
		# 更新細胞記憶單元
        hx, cx = rnn(input[i], (hx, cx))
        # 將每個word作為輸入的輸出存起來，相當於LSTM中的out
        output.append(hx)
output = torch.stack(output, dim=0)

到此這篇關於pytorch中使用LSTM詳細解說的文章就介紹到這瞭,更多相關pytorch使用LSTM內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！

推薦閱讀：