Pytorch实现RNN循环神经网络

关于RNN的理解说明，以下视频阐述的非常清晰明了。

【循环神经网络】5分钟搞懂RNN，3D动画深入浅出_哔哩哔哩_bilibili

数据导入和训练过程类似于CNN，在此只介绍RNN分类器的搭建：

# 搭建RNN分类器
class RNNimc(nn.Module):
    def __init__(self, input_dim, hidden_dim, layer_dim, output_dim):
        """
        :param input_dim: 输入数据的维度（图片每行的数据像素点）
        :param hidden_dim:RNN神经元个数
        :param layer_dim:RNN的层数
        :param output_dim:隐藏层输出的维度（分类的数量）
        """
        super(RNNimc, self).__init__()
        self.hidden_dim = hidden_dim  # RNN神经元个数
        self.layer_dim = layer_dim  # RNN的层数
        # RNN
        self.rnn = nn.RNN(input_dim, hidden_dim, layer_dim, batch_first=True, nonlinearity='relu')
        # 全连接层
        self.fcl = nn.Linear(hidden_dim, output_dim)

    def forward(self, x):      
        # x:(64, 28, 28), (batch_num, token_num, word vector length)
        out, h_n = self.rnn(x, None)    # out:(64, 28, 128) h_n:(1, 64, 128)
        out = self.fcl(out[:, -1, :])   # out:(64, 10) 以最后时刻输出的结果为准
        return out


# 定义参数并调用
input_dim = 28
hidden_dim = 128
layer_dim = 1
output_dim = 10
MyRNNimc = RNNimc(input_dim, hidden_dim, layer_dim, output_dim)
print(MyRNNimc)

该图给出了RNN基本参数的含义。对于图片的识别，一张图片可以类比一个句子，都是一个二维向量，输入相同。