lstm(*input,**kwargs)

將多層長短時記憶(LSTM)神經網路應用於輸入序列。

引數：

input_size:輸入'x'中預期特性的數量

hidden_size:隱藏狀態'h'中的特性數量

num_layers:迴圈層的數量。例如，設定' ' num_layers=2 ' '意味著將兩個LSTM堆疊在一起，形成一個'堆疊的LSTM '，第二個LSTM接收第一個LSTM的輸出並計算最終結果。預設值:1

bias:如果' False'，則該層不使用偏置權重' b_ih '和' b_hh '。預設值:'True'

batch_first:如果' 'True ' ',則輸入和輸出張量作為(batch,seq,feature)提供。預設值: 'False'

dropout:如果非零，則在除最後一層外的每個LSTM層的輸出上引入一個“dropout”層，相當於:attr:'dropout'。預設值:0

bidirectional:如果‘True'，則成為雙向LSTM。預設值:'False'

輸入:input，(h_0,c_0)

**input**of shape (seq_len,batch,input_size):包含輸入序列特徵的張量。輸入也可以是一個壓縮的可變長度序列。

see:func:'torch.nn.utils.rnn.pack_padded_sequence' 或:func:'torch.nn.utils.rnn.pack_sequence' 的細節。

**h_0** of shape (num_layers * num_directions,hidden_size):張量包含批處理中每個元素的初始隱藏狀態。

如果RNN是雙向的，num_directions應該是2，否則應該是1。

**c_0** of shape (num_layers * num_directions,hidden_size):張量包含批處理中每個元素的初始單元格狀態。

如果沒有提供' (h_0,c_0) '，則**h_0**和**c_0**都預設為零。

輸出:output，(h_n,c_n)

**output**of shape (seq_len,num_directions * hidden_size) :包含LSTM最後一層輸出特徵' (h_t) '張量，

對於每個t. If a:class: 'torch.nn.utils.rnn.PackedSequence' 已經給出，輸出也將是一個打包序列。

對於未打包的情況，可以使用'output.view(seq_len,num_directions,hidden_size)'，正向和反向分別為方向' 0 '和' 1 '。

同樣，在包裝的情況下，方向可以分開。

**h_n** of shape (num_layers * num_directions,hidden_size):包含' t = seq_len '隱藏狀態的張量。

與*output*類似， the layers可以使用以下命令分隔

h_n.view(num_layers,hidden_size) 對於'c_n'相似

**c_n** (num_layers * num_directions,hidden_size):張量包含' t = seq_len '的單元狀態

所有的權重和偏差都初始化自: where:

include:: cudnn_persistent_rnn.rst

import torch
import torch.nn as nn
 
# 雙向rnn例子
# rnn = nn.RNN(10,20,2)
# input = torch.randn(5,3,10)
# h0 = torch.randn(2,20)
# output,hn = rnn(input,h0)
# print(output.shape,hn.shape)
# torch.Size([5,20]) torch.Size([2,20])
 
# 雙向lstm例子
rnn = nn.LSTM(10,2)   #(input_size,hidden_size,num_layers)
input = torch.randn(5,10)  #(seq_len,input_size)
h0 = torch.randn(2,20)    #(num_layers * num_directions,hidden_size)
c0 = torch.randn(2,hidden_size)
# output:(seq_len,num_directions * hidden_size)
# hn,cn(num_layers * num_directions,hidden_size)
output,(hn,cn) = rnn(input,(h0,c0)) 
 
print(output.shape,hn.shape,cn.shape)
>>>torch.Size([5,20])

以上這篇基於pytorch的lstm引數使用詳解就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。