PyTorch-LSTM

torch.nn.LSTM()

参数：input_size，hidden_size，num_layers 为必填参数

• input_size – The number of expected features in the input x
• hidden_size – The number of features in the hidden state h
• num_layers – Number of recurrent layers. E.g., setting num_layers=2 would mean stacking two LSTMs together to form a stacked LSTM, with the second LSTM taking in outputs of the first LSTM and computing the final results. Default: 1
• bias – If False, then the layer does not use bias weights b_ih and b_hh. Default: True
• batch_first – If True, then the input and output tensors are provided as (batch, seq, feature). Default: False
• dropout – If non-zero, introduces a Dropout layer on the outputs of each LSTM layer except the last layer, with dropout probability equal to dropout. Default: 0
• bidirectional – If True, becomes a bidirectional LSTM. Default: False

        input_size: 输入特征维数，即每一行输入元素的个数；

        hidden_size: 隐藏层状态的维数，即隐藏层节点的个数，和单层感知器的结构类似。维数值自定义，和输入的维度没有关系；

        num_layers: LSTM 堆叠的层数，默认值是1层，如果设置多层，后一层LSTM接收前一个LSTM的计算结果，大小为hidden_size；

        bias: 隐层状态是否带bias，默认为true。bias是偏置值，或者偏移值。没有偏置值就是以0为中轴，或以0为起点；

        batch_first: 输入输出的第一维是否为 batch_size，默认值 False。Torch 中使dataset，dataloader 向神经网络模型连续输入数据，其中有 batch_size 参数，表示一次输入多少个数据。 在 LSTM 模型中，输入数据必须是一批数据，为区分 LSTM 中批量数据和 dataloader 中的批量数据是否相同意义，LSTM 模型就通过这个参数的设定来区分。 如果是相同意义的，就设置为True，如果不同意义的，设置为False。 torch.LSTM 中 batch_size 维度默认是放在第二维度，故此参数设置可以将 batch_size 放在第一维度。如：input 默认是(4,1,5)，中间的 1 是 batch_size，指定batch_first=True后就是(1,4,5)。如果输入数据是二维数据，batch_first 应为True;

        dropout: 默认值0，是否在除最后一个 RNN 层外的其他 RNN 层后面加 dropout 层。输入值是 0-1 之间的小数，表示概率。

        bidirectional: 是否是双向 RNN，默认false，为 true 则 num_directions=2，否则为1。

参考：

【Pytorch】nn.LSTM的理解_XiaoE爱食橙的博客-CSDN博客