rnn与gru， lstm, bi-lstm代码差异

最新推荐文章于 2024-09-21 19:56:01 发布

ai-ai360

最新推荐文章于 2024-09-21 19:56:01 发布

阅读量591

点赞数 4

分类专栏：深度学习 rnn lstm 文章标签： rnn lstm

本文链接：https://blog.csdn.net/q_xiami123/article/details/116590963

版权

博客详细对比了rnn、gru、lstm和bi-lstm的区别，主要集中在网络接口、前向传播过程和网络结构上。rnn与gru接口相同，只需更换名字；rnn与lstm接口一致，但lstm涉及cell_state；lstm到bi-lstm的变化在于设置bidirectional=True，同时调整隐藏层初始化和输出处理。

摘要由CSDN通过智能技术生成

rnn 与gru区别

两者网络接口相同，只需要在网络定义里替换一下相互名字即可

self.gru = nn.GRU(input_size, hidden_size, num_layers, batch_first=True)
self.rnn = nn.RNN(input_size, hidden_size, num_layers, batch_first=True)

其它输入数据和输出接口保持不变

rnn与lstm区别

rnn与lstm网络接口定义一样，只是换接口名称，但是lstm前向增加了cell_state的初始化和输出
网络结构

self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True)
self.rnn = nn.RNN(input_size, hidden_size, num_layers, batch_first=True)

前向传播

x (batch_size, time_step, feature_size)

    def forward(self, x):  
        #Forward loop
        #x.shape=(batch_size, time_step, input_size)
        #h.shape=(num_layers, batch_size,hidden_size)
        #out.shape=(batch_size, time_step, hidden_size)
        h0 = torch.zeros(self.num_l