LSTM 的使用（Pytorch）

LSTM 参数

input_size:输入维数
hidden_size:输出维数
num_layers:LSTM层数，默认是1
bias:True 或者 False，决定是否使用bias, False则b_h=0. 默认为True
batch_first:True 或者 False，因为nn.lstm()接受的数据输入是(序列长度，batch，输入维数)，这和我们cnn输入的方式不太一致，所以使用batch_first，我们可以将输入变成(batch，序列长度，输入维数)
dropout:表示除了最后一层之外都引入一个dropout
bidirectional:表示双向LSTM，也就是序列从左往右算一次，从右往左又算一次，这样就可以两倍的输出

输入

– input (seq_len, batch_size, input_size)
– h_0 (num_layers * num_directions, batch_size, hidden_size)
– c_0 (num_layers * num_directions, batch_size, hidden_size)

输出

– output (seq_len, batch_size, num_directions * hidden_size)
– h_n (num_layers * num_directions, batch_size, hidden_size)
– c_n (num_layers * num_directions, batch_size, hidden_size)

【注】如果batch_first = True，则output (batch_size, seq_len, num_directions * hidden_size)，而h_n和c_n的维度不会改变

LSTM 的使用（Pytorch）

根据上面这张图可以分析LSTM返回的三个值 output、h_n 和 c_n 的维度：

— h_n：只返回最后一个时间步的隐藏层输出，第$i$层会输出$h_{n}^{(i)}$，所以第一维为num_layers * num_directions，第二维的维度为batch_size，第三位就是$h$本身的维度大小，即hidden_size。

— c_n：$c_n$的维度同$h_n$。

—output：返回每个时间步的隐藏层输出，所以第一维为seq_len，第二维的维度为batch_size，第三维就是hidden_size，双向的话拼接起来就是2*hidden_size，所以就是num_directions * hidden_size。

由于 h_n 和 output 都包含了最后一个时间步的隐藏层输出，所以$output[-1,:,:] = h_n[-1,:,:]$。

【注】如果batch_first=True，则 $output[:,-1,:] = h_n[-1,:,:]$

import torch
import torch.nn as nn

rnn = nn.LSTM(input_size=4, hidden_size=6, num_layers=1)
input = torch.randn(3, 2, 4)  # batch=2, seq_len=3, input_size=4
output, (hn, cn) = rnn(input)  # 如果h0和c0未给出，则默认为0

print(output.shape, hn.shape, cn.shape)
print(output[-1, :, :])
print(hn[-1, :, :])

LSTM 的使用（Pytorch）