Pytorch学习——LSTM与LSTMCell

nn.LSTM()

• 该模块一次构造完若干层的LSTM。

• 构造方法

model = nn.LSTM(2, 2, 10, batch_first=True)
"""参数说明：
　　- feature_len:特征的维度
　　- hidden_len:隐藏层的个数
　　- layer_num:每个时间步所对应的模型层数
　　- batch_first:用来指示数据应该以什么形式来给，默认为False，数据形状(seq_len,batch,feature_len)；否则形状为(batch,seq_len,feature_len)
"""

• 前向传播

output, (h, c) = model(x, state)
"""参数说明：
　　- x:输入特征
　　- state:隐藏层和细胞特征
　　- output:模型最后一层的输出
　　- h:最后一步所有层的隐藏状态
　　- c:最后一部所有层的细胞状态"""

• 举例

import torch
from torch import nn

# 如可以解释成:4层的LSTM,输入的每个词用1维向量表示,隐藏单元和记忆单元的尺寸是20
lstm = nn.LSTM(input_size=1, 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=1表示每个单词表示为长1的向量
x = torch.randn(10, 3, 1)

# 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

注意：最终的输出out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 h不是 C），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]。

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。
• 构造函数

# 这只是一个计算单元，故不涉及层数。
lstm_c = nn.LSTMCell(10, 20)
"""参数说明：
　　- feature_len:特征维度
　　- hidden_len:隐藏层维度"""

• 前向传播

# rnn的前向传播
ht​=rnncell(x,ht−1​)

# lstm
# ht​,Ct​=lstmcell(xt​,(ht−1​,Ct−1​))
input = torch.randn(3, 10)
hx = torch.randn(3, 20)
cx = torch.randn(3, 20)
output = []
for i in range(３):
    hx, cx = lstm_c(input[i], (hx, cx))
    output.append(hx)
"""
注意：输入xt只是t时刻的输入，不涉及seq_len，所以其shape是 [batch,feature]。
而ht​和Ct​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]。
"""

• 一层举例

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])

• 两层举例

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])

参考：https://blog.csdn.net/SHU15121856/article/details/104448734