Python PyTorch LSTMCell用法及代码示例

本文简要介绍python语言中 torch.nn.LSTMCell 的用法。

用法:

class torch.nn.LSTMCell(input_size, hidden_size, bias=True, device=None, dtype=None)

参数：

• input_size-输入x中的预期特征数

• hidden_size-隐藏状态的特征数h

• bias-如果 False ，则该层不使用偏置权重 b_ih 和 b_hh 。默认值：True

变量：

• ~LSTMCell.weight_ih(torch.Tensor) -可学习的 input-hidden 权重，形状为 (4*hidden_size, input_size)

• ~LSTMCell.weight_hh(torch.Tensor) -可学习的 hidden-hidden 权重，形状为 (4*hidden_size, hidden_size)

• ~LSTMCell.bias_ih-形状为 (4*hidden_size) 的可学习 input-hidden 偏差

• ~LSTMCell.bias_hh-形状为 (4*hidden_size) 的可学习 hidden-hidden 偏差

长短期内存记忆（LSTM）单元

\begin{array}{ll} i = \sigma(W_{ii} x + b_{ii} + W_{hi} h + b_{hi}) \\ f = \sigma(W_{if} x + b_{if} + W_{hf} h + b_{hf}) \\ g = \tanh(W_{ig} x + b_{ig} + W_{hg} h + b_{hg}) \\ o = \sigma(W_{io} x + b_{io} + W_{ho} h + b_{ho}) \\ c' = f * c + i * g \\ h' = o * \tanh(c') \\ \end{array}

其中\sigma 是 sigmoid 函数，* 是 Hadamard 积。

输入：输入，(h_0，c_0)

• 输入形状的(batch, input_size)：包含输入特征的张量

• h_0形状的(batch, hidden_size)：包含批次中每个元素的初始隐藏状态的张量。

• c_0形状的(batch, hidden_size)：包含批次中每个元素的初始单元状态的张量。

  如果(h_0, c_0)不提供，两者h_0和c_0默认为零。

输出：(h_1，c_1)

• h_1形状的(batch, hidden_size)：包含批次中每个元素的下一个隐藏状态的张量

• c_1形状的(batch, hidden_size): 包含批次中每个元素的下一个单元状态的张量

注意

所有的权重和偏差都是从 \mathcal{U}(-\sqrt{k}, \sqrt{k}) 初始化的，其中 k = \frac{1}{\text{hidden\_size}}

例子：

>>> rnn = nn.LSTMCell(10, 20) # (input_size, hidden_size)
>>> input = torch.randn(2, 3, 10) # (time_steps, batch, input_size)
>>> hx = torch.randn(3, 20) # (batch, hidden_size)
>>> cx = torch.randn(3, 20)
>>> output = []
>>> for i in range(input.size()[0]):
        hx, cx = rnn(input[i], (hx, cx))
        output.append(hx)
>>> output = torch.stack(output, dim=0)