第R3周：LSTM-火灾温度预测：3. nn.LSTM() 函数详解

nn.LSTM 是 PyTorch 中用于创建长短期记忆（Long Short-Term Memory，LSTM）模型的类。LSTM 是一种循环神经网络（Recurrent Neural Network，RNN）的变体，用于处理序列数据，能够有效地捕捉长期依赖关系。

语法

torch.nn.LSTM(input_size, hidden_size, num_layers=1, 
              bias=True, batch_first=False, 
              dropout=0, bidirectional=False)

● input_size: 输入特征的维度。
● hidden_size: 隐藏状态的维度，也是输出特征的维度。
● num_layers（可选参数）: LSTM 层的数量，默认为 1。
● bias（可选参数）: 是否使用偏置，默认为 True。
● batch_first（可选参数）: 如果为 True，则输入和输出张量的形状为 (batch_size, seq_len, feature_size)，默认为 False，张量的形状为(seq_len, batch_size, feature_dim)。
● dropout（可选参数）: 如果非零，将在 LSTM 层的输出上应用 dropout，防止过拟合。默认为 0。
● bidirectional（可选参数）: 如果为 True，则使用双向 LSTM，输出维度将翻倍。默认为 False。

示例

import torch
import torch.nn as nn

# 定义一个单向 LSTM 模型
input_size  = 10
hidden_size = 20
num_layers  = 2
batch_size  = 3
seq_len     = 5

lstm = nn.LSTM(input_size, hidden_size, num_layers)

# 构造一个输入张量
input_tensor = torch.randn(seq_len, batch_size, input_size)

# 初始化隐藏状态和细胞状态
h0 = torch.randn(num_layers, batch_size, hidden_size)
c0 = torch.randn(num_layers, batch_size, hidden_size)

# 将输入传递给 LSTM 模型
output, (hn, cn) = lstm(input_tensor, (h0, c0))

print("Output shape:", output.shape)    # 输出特征的形状
print("Hidden state shape:", hn.shape)  # 最后一个时间步的隐藏状态的形状
print("Cell state shape:", cn.shape)    # 最后一个时间步的细胞状态的形状

代码输出

Output shape: torch.Size([5, 3, 20])
Hidden state shape: torch.Size([2, 3, 20])
Cell state shape: torch.Size([2, 3, 20])

注意事项

● input_size 指定了输入数据的特征维度，hidden_size 指定了 LSTM 层的隐藏状态维度，num_layers 指定了 LSTM 的层数。
● LSTM 的输入张量的形状通常是 (seq_len, batch_size, input_size)，但如果设置了 batch_first=True，则形状为 (batch_size, seq_len, input_size)。
● LSTM 的输出包括输出张量和最后一个时间步的隐藏状态和细胞状态。
● 可以通过 bidirectional=True 参数创建双向 LSTM，它会将输入序列分别从前向和后向传播，并将两个方向的隐藏状态拼接在一起作为输出。
● 在使用 LSTM 时，通常需要注意输入数据的序列长度，以及是否需要对输入数据进行填充或截断，以保证输入数据的长度是一致的。