【pytorch】pytorch-LSTM

pytorch-LSTM()

torch.nn包下實現了LSTM函數，實現LSTM層。多個LSTMcell組合起來是LSTM。

LSTM自動實現了前向傳播，不需要自己對序列進行迭代。

LSTM的用到的參數如下：創建LSTM指定如下參數，至少指定前三個參數

input_size:
	輸入特征維數
hidden_size:
	隱層狀態的維數
num_layers:
	RNN層的個數，在圖中豎向的是層數，橫向的是seq_len
bias:
	隱層狀態是否帶bias，默認為true
batch_first:
	是否輸入輸出的第一維為batch_size，因為pytorch中batch_size維度默認是第二維度，故此選項可以將	batch_size放在第一維度。如input是(4,1,5)，中間的1是batch_size，指定batch_first=True后就是(1,4,5)
dropout:
	是否在除最后一個RNN層外的RNN層后面加dropout層
bidirectional:
	是否是雙向RNN，默認為false，若為true，則num_directions=2，否則為1

為了統一，以后都batch_first=True

LSTM的輸入為：LSTM(input,(h0,co))

其中，指定batch_first=True​后，input就是(batch_size,seq_len,input_size)​

(h0,c0)是初始的隱藏層，因為每個LSTM單元其實需要兩個隱藏層的。記hidden=(h0,c0)

其中，h0的維度是(num_layers*num_directions, batch_size, hidden_size)

c0維度同h0。注意，即使batch_first=True，這里h0的維度依然是batch_size在第二維度

LSTM的輸出為：out,(hn,cn)

其中，out是每一個時間步的最后一個隱藏層h的輸出，假如有5個時間步（即seq_len=5），則有5個對應的輸出，out的維度是：(batch_size,seq_len,hidden_size)

而hidden=(hn,cn)，他自己實現了時間步的迭代，每次迭代需要使用上一步的輸出和hidden層，最后一步hidden=(hn,cn)記錄了最后一各時間步的隱藏層輸出，有幾層對應幾個輸出，如果這個是RNN-encoder，則hn,cn就是中間的編碼向量。hn的維度是(num_layers*num_directions,batch_size,hidden_size)，cn同。

應用LSTM

創建一LSTM:

lstm = torch.nn.LSTM(input_size,hidden_size,num_layers,batch_first=True)

forward使用LSTM層：

out,hidden = lstm(input,hidden)

其中，hidden=(h0,c0)是個tuple

最終得到out,hidden

舉例：

import torch
# 實現一個num_layers層的LSTM-RNN
class RNN(torch.nn.Module):
    def __init__(self,input_size, hidden_size, num_layers):
        super(RNN,self).__init__()
        self.input_size = input_size
        self.hidden_size=hidden_size
        self.num_layers=num_layers
        self.lstm = torch.nn.LSTM(input_size=input_size,hidden_size=hidden_size,num_layers=num_layers,batch_first=True)
    
    def forward(self,input):
        # input應該為(batch_size,seq_len,input_szie)
        self.hidden = self.initHidden(input.size(0))
        out,self.hidden = lstm(input,self.hidden)
        return out,self.hidden
    
    def initHidden(self,batch_size):
        if self.lstm.bidirectional:
            return (torch.rand(self.num_layers*2,batch_size,self.hidden_size),torch.rand(self.num_layers*2,batch_size,self.hidden_size))
        else:
            return (torch.rand(self.num_layers,batch_size,self.hidden_size),torch.rand(self.num_layers,batch_size,self.hidden_size))

input_size = 12
hidden_size = 10
num_layers = 3
batch_size = 2
model = RNN(input_size,hidden_size,num_layers)
# input (seq_len, batch, input_size) 包含特征的輸入序列，如果設置了batch_first，則batch為第一維
input = torch.rand(2,4,12)
model(input)