nn.RNN的输入输出及其内部结构说明

目录

1.input 

       我们可以注意到这里的input是(T, N, E)而非和embedding的输出一样是(N, T, E)。这是因为rnn的自身结构：

  2.output 

2.1 h_o(output)

为什么最后一个是hidden_size而不是神经网络的output_size呢?

2.2 h_n(hidden)：

        不知道大家有没有发现：input、output的格式相同，都是[T,N,E]的形式，但为什么hidden_size如此不同变为了(num_layers, N, E)的形式呢？

初始化rnn：

RNN_cell:

根据PyTorch文档,nn.RNN的输入输出如下:

1.input 

nn.RNN输入要求：

(seq_len, batch_size, input_size)(T, N, E):

其中：

• seq_len是序列长度
• batch_size是批大小,
• input_size是输入的特征维度

        

       我们可以注意到这里的input是(T, N, E)而非和embedding的输出一样是(N, T, E)。这是因为rnn的自身结构：

                                                        图片来自b站耿直哥、

我们可以明显看到rnn网络在每个时间步中完成一次神经网络的功能。而embedding则是在每个时间步中向量化一个单词。

所以在处理数据时一定要记得进行矩阵变化！！！

例：

x = self.embedding_layer(x)  # [N,T] -> [N,T,E]
ho, hn = self.rnn(x)  # ho [N,T,hidden_size] hn [?,N,E]
hz = torch.permute(hn, dims=[1, 0, 2])  # [?,N,E] -> [N,?,E]

在seq2seq中因为要将信息压缩在一个矩阵中通常还会执行以下步骤：

hz = torch.reshape(hz, shape=(hz.shape[0], self.output_dim))  # [N,?,E] -> [N,?*E]

  2.output 

nn.RNN会有两个输出，分别是ho(output)和hn(hidden)。

2.1 h_o(output)

        h_o会输出RNN在所有时间步上的隐藏状态输出。它包含了整个序列在每个时间步的隐藏状态。

ho的输出如下：

(seq_len, batch_size, num_directions * hidden_size) (T, N, E*(1or2)):

其中：

• seq_len是输入序列的长度
• batch_size是批大小
• num_directions是方向数,单向为1,双向为2
• hidden_size是隐藏状态的维度

为什么最后一个是hidden_size而不是神经网络的output_size呢?

        原因是 h_n 只保留了最后一步的 hidden_state，但中间的 hidden_state 也有可能会参与计算，所以 pytorch 把中间每一步输出的 hidden_state 都放到 output 中（当然，只保留了 hidden_state 最后一层的输出），因此，你可以发现这个 output 的维度是 (seq_len, batch, num_directions * hidden_size)。

         

        接下来我们介绍h_n(hidden)。我想你一定好奇为什么是h_n而不叫h_h？说实话我也很好奇，但大家约定俗成的名称就是h_n。有哪位大神知道可以留言感激不尽。

2.2 h_n(hidden)：

（h_n代表隐藏层的输入输出，在rnn网络中输入输出是格式是相同的）

        (num_layers * num_directions, batch_size, hidden_size)

        (num_layers*(1or2), N, E):

如果没有提供,默认为全0

其中:

• num_layers是RNN的层数。（不明白可以看下面的rnn结构）
• num_directions是方向数,如果是单向RNN则为1,如果是双向RNN则为2。
• hidden_size是隐藏状态的维度。

        不知道大家有没有发现：input、output的格式相同，都是[T,N,E]的形式，但为什么hidden_size如此不同变为了(num_layers, N, E)的形式呢？

        简单来说就是因为隐藏状态不是一个时间序列,而是在每一层中都持有一个向量。而输出中间状态就是为了得到每个时刻的隐层输出。所以num_layers * num_directions 这个维度代替了seq_len。

初始化rnn：

rnn = nn.RNN(input_size, hidden_size, num_layers)

无需多言看图即懂：

• 其中Xn是input_size，
• A(第一层), A'(第二层), A''(第三层) 则是num_layers，
• 在每个A中都是一个RNN_cell，每个都是一个全连接网络，而hidden_size类似于全连接网络中的隐藏层。

多层rnn不懂看这里：循环神经网络的改进：多层RNN、双向RNN与预训练-CSDN博客

RNN_cell:

其内部结构如下：

没想到吧依旧是这张图。其实所谓的RNN_cell就是一个全连接神经网络。

而内部的计算过程：

1. 输入:

   • input: 当前时间步的输入,形状为(batch_size, input_size) (T, E)
   • hidden: 前一时间步的隐藏状态,形状为(batch_size, hidden_size)

2. 前向计算:

   • 将输入input和前一隐藏状态hidden进行线性变换:

     gate = F.linear(input, self.weight_ih, self.bias_ih) + \
            F.linear(hidden, self.weight_hh, self.bias_hh)
     

   • 将线性变换的结果gate应用激活函数(如tanh)得到新的隐藏状态new_hidden:

     new_hidden = F.tanh(gate)
     

3. 输出:

     new_hidden: 当前时间步的新隐藏状态,形状为(batch_size, hidden_size)(N, E)

        这个new_hidden里的hidden_size就是前面input、output、h_0的hidden_size啦。对于RNN整个网络来说，这个new_hidden是RNN_cell的输出，就是隐层的输出。但是对于RNN_cell来说，则是经过完整的全连接网络并且激活过的output!