GRU
补充博客指路:
https://blog.csdn.net/qq_38147421/article/details/107694477?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522165547103016780357296333%2522%252C%2522scm%2522%253A%252220140713.130102334…%2522%257D&request_id=165547103016780357296333&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2alltop_positive~default-1-107694477-null-null.142v17pc_search_result_control_group,157v15new_3&utm_term=GRU&spm=1018.2226.3001.4187
1.结构
2.对比LSTM
见上一个LSTM的博客
3.举例理解
(1)rt(重置门):筛选出有用的内容
(2)~ht:通过学习产生的新知识(新笔记)
rt*ht-1:提取出关于机器学习相关的知识点
tanh( ):学习过程,即产生一个新的笔记~ht(其中出版社,矩阵分解都是冗余项)
(3)Zt(更新门):筛选出没有用的内容,保留有用的内容
(4)ht:最终记忆的内容
4.LSTM区别
5.缓解梯度消失
与LSTM同样原理
6.练习
"""
gru模型定义:第一维表示input特征数,第二维表示隐层特征数,也是输出特征数,第三维表示gru单元个数
要求input维度是3维,第一维表示样本数,第二维表示batch数,第三维表示input特征数;
h维度,第一维同gru单元个数,第二维表示batch数,第三维表示隐层特征数
"""
import torch
import torch.nn as nn
import sklearn.preprocessing as sp
num_class =