详解pytorch中循环神经网络（RNN、LSTM、GRU）的维度

首先如果你对RNN、LSTM、GRU不太熟悉，可点击查看。

RNN

torch.nn.rnn详解

torch.nn.RNN(input_size,
hidden_size,
num_layers=1,
nonlinearity=‘tanh’,
bias=True,
batch_first=False,
dropout=0.0,
bidirectional=False,
device=None,
dtype=None)

原理：

参数详解：

• input_size – 输入x中预期特征的数量

• hidden_size – 隐藏状态h中的特征数量

• num_layers – 循环层数。例如，设置num_layers=2 意味着将两个LSTM堆叠在一起形成堆叠 LSTM，第二个 LSTM 接收第一个 LSTM 的输出并计算最终结果。默认值：1

• nonlinearity– 使用的非线性。可以是’tanh’或’relu’。默认：‘tanh’

• bias– 如果False，则该层不使用偏差权重b_ih和b_hh。默认：True

• batch_first – 如果，则输入和输出张量以(batch, seq, feature)True形式提供，而不是(seq, batch, feature)。请注意，这不适用于隐藏状态或单元状态。默认：False

• dropout – 如果非零，则在除最后一层之外的每个LSTM层的输出上 引入Dropout层，dropout 概率等于 。默认值：0.0

• bidirectional – 如果True, 则成为双向LSTM。默认：False

RNN输入输出维度

rnn = nn.RNN(10, 20, 2)
input = torch.randn(5, 3, 10)
h0 = torch.randn(2, 3, 20)
output, hn = rnn(input, h0)

可以看到输入是x和h_0,h_0可以是None。如果batch_size是第0维度，需设置batch_first=True。
输出则是output和h_n。h_n存了每一层的t时刻的隐藏状态值

# Efficient implementation equivalent to the following with bidirectional=False
def forward(x, h_0=None):
    if batch_first:
        x = x.transpose(0, 1)
    seq_len, batch_size, _ = x.size()
    if h_0 is None:
        h_0 = torch.zeros(num_layers, batch_size, hidden_size)
	...
    return output, h_n

输入：
x的输入维度：(batch_size, sequence_length, input_size) [前提：batch_first=True]
h_0的维度：(D∗num_layers, hidden_size) [可以为None]

输出： output的输出维度：(batch_size, sequence_length, D*hidden_size)
[D=2 if bidirectional=True otherwise 1]
h_n的维度：(D∗num_layers, hidden_size)

LSTM

torch.nn.LSTM详解

torch.nn.LSTM(input_size,
hidden_size,
num_layers=1,
bias=True,
batch_first=False,
dropout=0.0,
bidirectional=False,
proj_size=0,
device=None,
dtype=None)

原理：

参数详解：
相比于RNN多了proj_size参数，少了nonlinearity参数

• input_size – 输入x中预期特征的数量

• hidden_size – 隐藏状态h中的特征数量

• num_layers – 循环层数。例如，设置num_layers=2 意味着将两个LSTM堆叠在一起形成堆叠 LSTM，第二个 LSTM 接收第一个 LSTM 的输出并计算最终结果。默认值：1

• bias– 如果False，则该层不使用偏差权重b_ih和b_hh。默认：True

• batch_first – 如果，则输入和输出张量以(batch, seq, feature)True形式提供，而不是(seq, batch, feature)。请注意，这不适用于隐藏状态或单元状态。默认：False

• dropout – 如果非零，则在除最后一层之外的每个LSTM层的输出上 引入Dropout层，dropout 概率等于 。默认值：0dropout

• bidirectional – 如果True, 则成为双向LSTM。默认：False

• proj_size – 如果，将使用具有相应大小投影的LSTM 。默认值：0

LSTM输入输出维度

LSTM= nn.LSTM(10, 20, 2)
input = torch.randn(5, 3, 10)
h0 = torch.randn(2, 3, 20)
c0 = torch.randn(2, 3, 20)
output, (hn, cn) = LSTM(input, (h0, c0))

输入是x,此外h_0和c_0可以是None。如果batch_size是第0维度，需设置batch_first=True。
输出则是output和一个元组（h_n, c_n）。

输入： x的输入维度：(batch_size, sequence_length, input_size)`
[前提：batch_first=True]

输出： output的输出维度：(batch_size, sequence_length, D*hidden_size)
[D=2 if bidirectional=True otherwise 1]

具体可参考官方文档：nn.LSTM

GRU

torch.nn.GRU详解

torch.nn.GRU(input_size,
hidden_size,
num_layers=1,
bias=True,
batch_first=False,
dropout=0.0,
bidirectional=False,
device=None,
dtype=None)

原理：

参数详解：
与上文LSTM相比，缺少了proj_size参数，与RNN相比也缺少了nonlinearity参数

GRU输入输出维度

gru= nn.GRU(10, 20, 2)
input = torch.randn(5, 3, 10)
h0 = torch.randn(2, 3, 20)
output, hn = gru(input, h0)

与RNN一致见上文，相比LSTM少了c_n

三种RNN的示例

import torch
import torch.nn as nn

rnn = nn.RNN(10, 20, 2, batch_first=True) # (input_size, hidden_size, num_layer)
lstm = nn.LSTM(10, 20, 2, batch_first=True)
gru = nn.GRU(10, 20, 2, batch_first=True)

input = torch.randn(5, 3, 10)  # (batchsize, seq, input_size)
h0 = torch.randn(2, 3, 20)
c0 = torch.randn(2, 3, 20)

output_rnn, h_n = rnn(input)
output_lstm, (hn, cn) = lstm(input)
output_gru, h_n2 = gru(input)
print("输入维度：", input.shape)
print(f"RNN 输出维度：{output_rnn.shape}, h_n维度：{h_n.shape}" )
print("LSTM 输出维度：", output_lstm.shape)
print("GRU 输出维度：", output_gru.shape)


"""
输入维度： torch.Size([5, 3, 10])
RNN 输出维度：torch.Size([5, 3, 20]), h_n维度：torch.Size([2, 5, 20])
LSTM 输出维度： torch.Size([5, 3, 20])
GRU 输出维度： torch.Size([5, 3, 20])
"""