LSTM模型

最新推荐文章于 2024-08-23 22:47:58 发布

HopeTiger_only1

最新推荐文章于 2024-08-23 22:47:58 发布

阅读量140

点赞数 1

分类专栏： Pytorch实现调制方式识别文章标签： lstm 深度学习机器学习

本文链接：https://blog.csdn.net/qq_42344181/article/details/129163005

版权

Pytorch实现调制方式识别专栏收录该内容

4 篇文章 0 订阅

订阅专栏

本文详细探讨了长短期记忆网络（LSTM）的工作原理及其在深度学习中的应用，揭示了LSTM如何有效地解决传统RNN的梯度消失问题，同时在自然语言处理任务中展现出强大的性能。通过实例分析，阐述了LSTM的内部结构，包括输入门、遗忘门和输出门的作用，以及它们如何协同工作来维护长期依赖关系。

摘要由CSDN通过智能技术生成

import os.path

import torch
import torch.nn as nn
import numpy as np
import os

class LSTM(nn.Module):
    def __init__(self):
        super(LSTM, self).__init__()


        self.lstm1 = nn.LSTM(input_size=2,hidden_size=128,batch_first=True)

        self.lstm2 = nn.LSTM(input_size=128,hidden_size=128,batch_first=True)

        self.classifier = nn.Linear(128,11)

    def forward(self,x):
        x,_ = self.lstm1(x)
        x,_ = self.lstm2(x)
        x = self.classifier(x[:,-1,:])
        output = nn.Softmax(x)

        return output

if __name__ == "__main__":
    x = torch.randn(32, 128, 2)
    model = LSTM()
    out = model(x)
    print(out)