pytorch中LSTM参数详解（一张图帮你更好的理解每一个参数）
·
对LSTM网络的理解
对LSTM网络不理解的请看这篇博客，对新手比较友好，也很容易理解，只有理解了LSTM，才知道下面要讲的参数分别对应什么
LSTM参数列表
Pytorch中创建一个LSTM网络，参数列表如下：
| 参数 | 解释 |
|---|---|
| input_size | 输入数据的特征维数 |
| hidden_size | LSTM中隐层的维度 |
| num_layers | 循环神经网络的层数 |
| bias | 用不用偏置，default=True |
| batch_first | 这个要注意，通常我们输入的数据shape=(batch_size,seq_length,embedding_dim),而batch_first默认是False,所以我们的输入数据最好送进LSTM之前将batch_size与seq_length这两个维度调换 |
| dropout | 默认是0，代表不用dropout |
| bidirectional | 默认是false，代表不用双向LSTM |
其实最重要的参数就前三个，其他参数都可以默认。把网络看成一个黑箱，我们在用是肯定是输入一个向量，然后网络处理后输出一个向量，所以我们必须要告诉网络输入的向量是多少维，输出的为多少维，因此前两个参数就决定了输入和输出向量的维度。当然，hidden_size只是指定从LSTM输出的向量的维度，并不是最后的维度，因为LSTM层之后可能还会接其他层，如全连接层（FC），因此hidden_size对应的维度也就是FC层的输入维度。第三个参数num_layers为隐藏层的层数，这个比较好理解，官方的例程里面建议一般设置为1或者2。
光看上面的文字描述似乎还不够直白，因此我画了一张图。
注：局部图片来自于这篇文章
Input shape
建好网络之后我们还需要把数据调整整对应的shape，pytorch中LSTM的调用如下：
output,(h_n,c_n) = lstm (x, [ht_1, ct_1])
其中x就是我们喂给网络的数据，它的shape要求如下：
x:[seq_length, batch_size, input_size]
新手可能对着三个参数容易理解错误，这里贴一篇知乎上的文章用「动图」和「举例子」讲讲 RNN，这篇文章讲的比较通俗易懂，适合新手看。
同样，我也画了几张对应的图来解释
转载或拿图请注明出处。
旨在为数千万中国开发者提供一个无缝且高效的云端环境，以支持学习、使用和贡献开源项目。
更多推荐
153
0- 0
已为社区贡献5条内容
所有评论(0)