nn.RNN(input_size, hidden_size, num_layers=1, nonlinearity=tanh, bias=True, batch_first=False, dropout=0, bidirectional=False)

參數(shù)說(shuō)明

• input_size輸入特征的維度， 一般rnn中輸入的是詞向量，那么 input_size 就等于一個(gè)詞向量的維度
• hidden_size隱藏層神經(jīng)元個(gè)數(shù)，或者也叫輸出的維度（因?yàn)閞nn輸出為各個(gè)時(shí)間步上的隱藏狀態(tài)）
• num_layers網(wǎng)絡(luò)的層數(shù)
• nonlinearity激活函數(shù)
• bias是否使用偏置
• batch_first輸入數(shù)據(jù)的形式，默認(rèn)是 False，就是這樣形式，(seq(num_step), batch, input_dim)，也就是將序列長(zhǎng)度放在第一位，batch 放在第二位
• dropout是否應(yīng)用dropout, 默認(rèn)不使用，如若使用將其設(shè)置成一個(gè)0-1的數(shù)字即可
• birdirectional是否使用雙向的 rnn，默認(rèn)是 False
• 注意某些參數(shù)的默認(rèn)值在標(biāo)題中已注明

輸入輸出shape

• input_shape = [時(shí)間步數(shù), 批量大小, 特征維度] = [num_steps(seq_length), batch_size, input_dim]
• 在前向計(jì)算后會(huì)分別返回輸出和隱藏狀態(tài)h，其中輸出指的是隱藏層在各個(gè)時(shí)間步上計(jì)算并輸出的隱藏狀態(tài)，它們通常作為后續(xù)輸出層的輸?。需要強(qiáng)調(diào)的是，該“輸出”本身并不涉及輸出層計(jì)算，形狀為(時(shí)間步數(shù), 批量大小, 隱藏單元個(gè)數(shù))；隱藏狀態(tài)指的是隱藏層在最后時(shí)間步的隱藏狀態(tài)：當(dāng)隱藏層有多層時(shí)，每?層的隱藏狀態(tài)都會(huì)記錄在該變量中；對(duì)于像?短期記憶（LSTM），隱藏狀態(tài)是?個(gè)元組(h, c)，即hidden state和cell state(此處普通rnn只有一個(gè)值)隱藏狀態(tài)h的形狀為(層數(shù), 批量大小,隱藏單元個(gè)數(shù))

代碼

rnn_layer = nn.RNN(input_size=vocab_size, hidden_size=num_hiddens, )
# 定義模型， 其中vocab_size = 1027, hidden_size = 256

num_steps = 35
batch_size = 2
state = None    # 初始隱藏層狀態(tài)可以不定義
X = torch.rand(num_steps, batch_size, vocab_size)
Y, state_new = rnn_layer(X, state)
print(Y.shape, len(state_new), state_new.shape)

輸出

torch.Size([35, 2, 256]) ? ? 1 ? ? ? torch.Size([1, 2, 256])

具體計(jì)算過(guò)程
H t = i n p u t ? W x h + H t ? 1 ? W h h + b i a s H_t = input * W_{xh} + H_{t-1} * W_{hh} + bias Ht?=input?Wxh?+Ht?1??Whh?+bias
[batch_size, input_dim] * [input_dim, num_hiddens] + [batch_size, num_hiddens] *[num_hiddens, num_hiddens] +bias
可以發(fā)現(xiàn)每個(gè)隱藏狀態(tài)形狀都是[batch_size, num_hiddens], 起始輸出也是一樣的
注意：上面為了方便假設(shè)num_step=1

GRU/LSTM等參數(shù)同上面RNN