Python PyTorch LSTMCell用法及代碼示例

本文簡要介紹python語言中 torch.nn.LSTMCell 的用法。

用法:

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

參數：

• input_size-輸入x中的預期特征數

• hidden_size-隱藏狀態的特征數h

• bias-如果 False ，則該層不使用偏置權重 b_ih 和 b_hh 。默認值：True

變量：

• ~LSTMCell.weight_ih(torch.Tensor) -可學習的 input-hidden 權重，形狀為 (4*hidden_size, input_size)

• ~LSTMCell.weight_hh(torch.Tensor) -可學習的 hidden-hidden 權重，形狀為 (4*hidden_size, hidden_size)

• ~LSTMCell.bias_ih-形狀為 (4*hidden_size) 的可學習 input-hidden 偏差

• ~LSTMCell.bias_hh-形狀為 (4*hidden_size) 的可學習 hidden-hidden 偏差

長短期內存記憶（LSTM）單元

\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 函數，* 是 Hadamard 積。

輸入：輸入，(h_0，c_0)

• 輸入形狀的(batch, input_size)：包含輸入特征的張量

• h_0形狀的(batch, hidden_size)：包含批次中每個元素的初始隱藏狀態的張量。

• c_0形狀的(batch, hidden_size)：包含批次中每個元素的初始單元狀態的張量。

  如果(h_0, c_0)不提供，兩者h_0和c_0默認為零。

輸出：(h_1，c_1)

• h_1形狀的(batch, hidden_size)：包含批次中每個元素的下一個隱藏狀態的張量

• c_1形狀的(batch, hidden_size): 包含批次中每個元素的下一個單元狀態的張量

注意

所有的權重和偏差都是從 \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)