pytorch中nn.RNN()总结

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

参数说明

input_size输入特征的维度，一般rnn中输入的是词向量，那么 input_size 就等于一个词向量的维度
hidden_size隐藏层神经元个数，或者也叫输出的维度（因为rnn输出为各个时间步上的隐藏状态）
num_layers网络的层数
nonlinearity激活函数
bias是否使用偏置
batch_first输入数据的形式，默认是 False，就是这样形式，(seq(num_step), batch, input_dim)，也就是将序列长度放在第一位，batch 放在第二位
dropout是否应用dropout, 默认不使用，如若使用将其设置成一个0-1的数字即可
birdirectional是否使用双向的 rnn，默认是 False
注意某些参数的默认值在标题中已注明

输入输出shape

input_shape = [时间步数, 批量大小, 特征维度] = [num_steps(seq_length), batch_size, input_dim]
在前向计算后会分别返回输出和隐藏状态h，其中输出指的是隐藏层在各个时间步上计算并输出的隐藏状态，它们通常作为后续输出层的输⼊。需要强调的是，该“输出”本身并不涉及输出层计算，形状为(时间步数, 批量大小, 隐藏单元个数)；隐藏状态指的是隐藏层在最后时间步的隐藏状态：当隐藏层有多层时，每⼀层的隐藏状态都会记录在该变量中；对于像⻓短期记忆（LSTM），隐藏状态是⼀个元组(h, c)，即hidden state和cell state(此处普通rnn只有一个值)隐藏状态h的形状为(层数, 批量大小,隐藏单元个数)

代码:

rnn_layer = nn.RNN(input_size=vocab_size, hidden_size=num_hiddens, )

# 定义模型，其中vocab_size = 1027, hidden_size = 256

num_steps = 35

batch_size = 2

state = None# 初始隐藏层状态可以不定义

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)

输出

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

具体计算过程

Ht = input * Wxh + Ht-1 * Whh + bias
[batch_size, input_dim] * [input_dim, num_hiddens] + [batch_size, num_hiddens] *[num_hiddens, num_hiddens] +bias
可以发现每个隐藏状态形状都是[batch_size, num_hiddens], 起始输出也是一样的
注意：上面为了方便假设num_step=1

import  torch
from torch import  nn

rnn = nn.RNN(input_size=100,hidden_size=20,num_layers=1)

print(rnn)

x = torch.randn(20,3,100)  #3句话，每句话 10个单词，每个单词100纬度

out, h = rnn(x)
print(out.shape,h.shape)

print(nn.RNN(100,20))
输出:

RNN(100, 20)
torch.Size([20, 3, 20]) torch.Size([1, 3, 20])
RNN(100, 20)

import  torch
from torch import  nn

rnn = nn.RNN(input_size=100,hidden_size=20,num_layers=4)

print(rnn)

x = torch.randn(20,3,100)  #3句话，每句话 10个单词，每个单词100纬度

out, h = rnn(x)
print(out.shape,h.shape)

print(nn.RNN(100,20))
输出 ：torch.Size([20, 3, 20]) torch.Size([4, 3, 20])