1 nn.LSTM
該模塊一次構造完若干層的LSTM。
1.1 構造方法
使用nn.LSTM
可以直接構建若干層的LSTM,構造時傳入的三個參數和nn.RNN
一樣,依次是:
其中hidden_len既用於隱藏狀態的尺寸,也用於記憶單元的尺寸。實際上,兩者的shape是一樣的,都是。
1.2 forward方法
回顧一下nn.RNN
的forward方法,它是:
而對於nn.LSTM
也是類似的,無非是要多提供初始的,並在最終多得到一個:
其中,仍然是一次性將當前batch所有seq_len個時刻的樣本都輸入,其shape是。
在任意時刻的和兩類Memory其shape都是。
最終的輸出同樣是在所有時刻最後一層上的輸出(特別注意,LSTM中的輸出是不是),因此是將feature_len規約成了hidden_len那麼長,所以其shape是。
1.3 例子
import torch
from torch import nn
# 如可以解釋成:4層的LSTM,輸入的每個詞用100維向量表示,隱藏單元和記憶單元的尺寸是20
lstm = nn.LSTM(input_size=100, hidden_size=20, num_layers=4)
# 輸入的x:其中batch是3可表示有三句話,seq_len=10表示每句話10個單詞,feature_len=100表示每個單詞表示爲長100的向量
x = torch.randn(10, 3, 100)
# 前向計算過程,這裏不傳入h_0和C_0則會默認初始化
out, (h, c) = lstm(x)
print(out.shape) # torch.Size([10, 3, 20]) 最後一層10個時刻的輸出
print(h.shape) # torch.Size([4, 3, 20]) 隱藏單元
print(c.shape) # torch.Size([4, 3, 20]) 記憶單元
2 nn.LSTMCell
該模塊構建LSTM中的一個Cell,同一層會共享這一個Cell,但要手動處理每個時刻的迭代計算過程。如果要建立多層的LSTM,就要建立多個nn.LSTMCell
。
2.1 構造方法
構造方法和nn.LSTM
類似,依次傳入feature_len和hidden_len,因爲這只是一個計算單元,所以不涉及層數。
2.2 forward方法
回顧一下nn.RNNCell
的forward方法,它是:
即上一時刻的輸出經nn.RNNCell
前向計算得到這一時刻的。
對於nn.LSTMCell
也是類似,但因爲LSTM計算單元中還涉及對上一時刻的記憶的使用,所以是:
因爲輸入只是t時刻的輸入,不涉及seq_len,所以其shape是。
而和在這裏只是t時刻本層的隱藏單元和記憶單元,不涉及num_layers,所以其shape是。
2.3 一層的例子
每個時刻傳入新的輸入和上一時刻的隱藏單元和記憶單元,並把這兩個單元更新。
import torch
from torch import nn
# 一層的LSTM計算單元,輸入的feature_len=100,隱藏單元和記憶單元hidden_len=20
cell = nn.LSTMCell(input_size=100, hidden_size=20)
# 初始化隱藏單元h和記憶單元C,取batch=3
h = torch.zeros(3, 20)
C = torch.zeros(3, 20)
# 這裏是seq_len=10個時刻的輸入,每個時刻shape都是[batch,feature_len]
xs = [torch.randn(3, 100) for _ in range(10)]
# 對每個時刻,傳入輸入x_t和上個時刻的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 兩層的例子
在最底下一層l0
層和上面的例子一樣,上層還需要接受下層的輸出作爲當前輸入,然後同樣是依賴本層上一時刻的和更新本層的和。
特別要注意DL學習筆記4中學習的LSTM單元的輸入輸出結構,向上層傳遞的是而不是。
import torch
from torch import nn
# 輸入的feature_len=100,變到該層隱藏單元和記憶單元hidden_len=30
cell_l0 = nn.LSTMCell(input_size=100, hidden_size=30)
# hidden_len從l0層的30變到這一層的20
cell_l1 = nn.LSTMCell(input_size=30, hidden_size=20)
# 分別初始化l0層和l1層的隱藏單元h和記憶單元C,取batch=3
# 注意l0層的hidden_len=30
h_l0 = torch.zeros(3, 30)
C_l0 = torch.zeros(3, 30)
# 而到l1層之後hidden_len=20
h_l1 = torch.zeros(3, 20)
C_l1 = torch.zeros(3, 20)
# 這裏是seq_len=10個時刻的輸入,每個時刻shape都是[batch,feature_len]
xs = [torch.randn(3, 100) for _ in range(10)]
# 對每個時刻,從下到上計算本時刻的所有層
for xt in xs:
h_l0, C_l0 = cell_l0(xt, (h_l0, C_l0)) # l0層直接接受xt輸入
h_l1, C_l1 = cell_l1(h_l0, (h_l1, C_l1)) # l1層接受l0層的輸出h爲輸入
# 最後shape是不變的
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])