欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

【PyTorch学习笔记】23:nn.LSTM和nn.LSTMCell的使用

程序员文章站 2024-03-24 23:36:04
...

1 nn.LSTM

该模块一次构造完若干层的LSTM。

1.1 构造方法

使用nn.LSTM可以直接构建若干层的LSTM,构造时传入的三个参数和nn.RNN一样,依次是:
[feature_len,hidden_len,num_layers] [feature\_len,hidden\_len,num\_layers]

其中hidden_len既用于隐藏状态hth_t的尺寸,也用于记忆单元CtC_t的尺寸。实际上,两者的shape是一样的,都是[num_layers,batch,hidden_len][num\_layers,batch,hidden\_len]

1.2 forward方法

回顾一下nn.RNN的forward方法,它是:
out,ht=rnn(x,h0) out,h_t = rnn(x,h_0)

而对于nn.LSTM也是类似的,无非是要多提供初始的C0C_0,并在最终多得到一个CtC_t
out,(ht,Ct)=lstm(x,(h0,C0)) out, (h_t, C_t) = lstm(x,(h_0,C_0))

其中,xx仍然是一次性将当前batch所有seq_len个时刻的样本都输入,其shape是[seq_len,batch,feature_len][seq\_len,batch,feature\_len]

在任意tt时刻的hth_tCtC_t两类Memory其shape都是[num_layers,batch,hidden_len][num\_layers,batch,hidden\_len]

最终的输出outout同样是在所有时刻最后一层上的输出(特别注意,LSTM中的输出是hh不是CC),因此是将feature_len规约成了hidden_len那么长,所以其shape是[seq_len,batch,hidden_len][seq\_len,batch,hidden\_len]

1.3 例子

import torch
from torch import nn

# 如可以解释成:4层的LSTM,输入的每个词用100维向量表示,隐藏单元和记忆单元的尺寸是20
lstm = nn.LSTM(input_size=100, hidden_size=20, num_layers=4)

# 输入的x:其中batch是3可表示有三句话,seq_len=10表示每句话10个单词,feature_len=100表示每个单词表示为长100的向量
x = torch.randn(10, 3, 100)

# 前向计算过程,这里不传入h_0和C_0则会默认初始化
out, (h, c) = lstm(x)
print(out.shape)  # torch.Size([10, 3, 20]) 最后一层10个时刻的输出
print(h.shape)  # torch.Size([4, 3, 20]) 隐藏单元
print(c.shape)  # torch.Size([4, 3, 20]) 记忆单元

2 nn.LSTMCell

该模块构建LSTM中的一个Cell,同一层会共享这一个Cell,但要手动处理每个时刻的迭代计算过程。如果要建立多层的LSTM,就要建立多个nn.LSTMCell

2.1 构造方法

构造方法和nn.LSTM类似,依次传入feature_len和hidden_len,因为这只是一个计算单元,所以不涉及层数。

2.2 forward方法

回顾一下nn.RNNCell的forward方法,它是:
ht=rnncell(x,ht1) h_t = rnncell(x,h_{t-1})

即上一时刻的输出ht1h_{t-1}nn.RNNCell前向计算得到这一时刻的hth_t

对于nn.LSTMCell也是类似,但因为LSTM计算单元中还涉及对上一时刻的记忆Ct1C_{t-1}的使用,所以是:
ht,Ct=lstmcell(xt,(ht1,Ct1)) h_t,C_t = lstmcell(x_t,(h_{t-1},C_{t-1}))

因为输入xtx_t只是t时刻的输入,不涉及seq_len,所以其shape是[batch,feature_len][batch,feature\_len]

hth_tCtC_t在这里只是t时刻本层的隐藏单元和记忆单元,不涉及num_layers,所以其shape是[batch,hidden_len][batch,hidden\_len]

2.3 一层的例子

每个时刻传入新的输入xtx_t和上一时刻的隐藏单元ht1h_{t-1}和记忆单元Ct1C_{t-1},并把这两个单元更新。

import torch
from torch import nn

# 一层的LSTM计算单元,输入的feature_len=100,隐藏单元和记忆单元hidden_len=20
cell = nn.LSTMCell(input_size=100, hidden_size=20)

# 初始化隐藏单元h和记忆单元C,取batch=3
h = torch.zeros(3, 20)
C = torch.zeros(3, 20)

# 这里是seq_len=10个时刻的输入,每个时刻shape都是[batch,feature_len]
xs = [torch.randn(3, 100) for _ in range(10)]

# 对每个时刻,传入输入x_t和上个时刻的h_{t-1}和C_{t-1}
for xt in xs:
    h, C = cell(xt, (h, C))

print(h.shape)  # torch.Size([3, 20])
print(C.shape)  # torch.Size([3, 20])

2.4 两层的例子

在最底下一层l0层和上面的例子一样,上层还需要接受下层的输出hth_t作为当前输入,然后同样是依赖本层上一时刻的hhCC更新本层的hhCC

特别要注意DL学习笔记4中学习的LSTM单元的输入输出结构,向上层传递的是hh而不是CC

import torch
from torch import nn

# 输入的feature_len=100,变到该层隐藏单元和记忆单元hidden_len=30
cell_l0 = nn.LSTMCell(input_size=100, hidden_size=30)
# hidden_len从l0层的30变到这一层的20
cell_l1 = nn.LSTMCell(input_size=30, hidden_size=20)

# 分别初始化l0层和l1层的隐藏单元h和记忆单元C,取batch=3
# 注意l0层的hidden_len=30
h_l0 = torch.zeros(3, 30)
C_l0 = torch.zeros(3, 30)
# 而到l1层之后hidden_len=20
h_l1 = torch.zeros(3, 20)
C_l1 = torch.zeros(3, 20)

# 这里是seq_len=10个时刻的输入,每个时刻shape都是[batch,feature_len]
xs = [torch.randn(3, 100) for _ in range(10)]

# 对每个时刻,从下到上计算本时刻的所有层
for xt in xs:
    h_l0, C_l0 = cell_l0(xt, (h_l0, C_l0))  # l0层直接接受xt输入
    h_l1, C_l1 = cell_l1(h_l0, (h_l1, C_l1))  # l1层接受l0层的输出h为输入

# 最后shape是不变的
print(h_l0.shape)  # torch.Size([3, 30])
print(C_l0.shape)  # torch.Size([3, 30])
print(h_l1.shape)  # torch.Size([3, 20])
print(C_l1.shape)  # torch.Size([3, 20])

上一篇: Android 广播

下一篇: 异常处理机制