【自然语言处理】pytorch中如何使用RNN

RNN基本形式

(这里主要讲pytorch的实现，具体RNN细节请参考
链接: link)
RNN是用来处理带有时间序列的信息的，每一个时间段采用一个Cell来存储这个时间段之前的所有信息，即h0。
最一开始需要我们初始化建立一个h0表示在输入数据前起始的Cell状态，然后该h0与第一个时间上的信息x0经过运算相加形成第一个带有记忆信息的Cell，即h1。

一、 nn.RNN

1、基础RNN

在pytorch中很好地集成了RNN类，可以通过nn.RNN来实例化。

torch.nn.RNN(*args, **kwargs)

上面为实例化RNN时的参数，这里我们只关心前三个

input_size：表示输入的单个x的维度，比如单词的embedding的维度
hidden_size：表示隐藏层h的维度；比如隐藏层维度是10，每个单词的embedding维度是20，通过隐藏层后把单词的embedding变成10维表示
num_layers：表示RNN有多少层，这里的层数与后面的使用RNN时需要初始化的h0的大小有关

Wxh的维度为：[hidden_size, feature_size] --> X@Wxh.T(内部操作)
Whh的维度为：[hidden_size, hidden_size] – > Hi@Whh.T（内部操作）

    rnn = nn.RNN(input_size=100, hidden_size=20, num_layers=1)
    print(rnn)
    x = torch.randn(10, 3, 100)
    out, h = rnn(x, torch.zeros(1, 3, 20))
    print(out.shape, h.shape)

RNN的2个输入分别是数据input和初始化的隐藏层状态h0
特别注意input的大小是：[seq_len, batch_size, input_size]，这与CV中把batch_size放在第一维不同，主要是为了方便以每个时间步为单位来计算。
h0的大小为：[num_layers * bidirectional, batch_size, hidden_szie]

rnn的输出为output 和 h_n
out_put记录的是在每个时间步上，最后一层的隐藏层状态，其大小为：[seq_len, batch_size, hidden_size * bidirectional]，因为如果是双向rnn的话，会把来回两个方向的hidden_size拼接，所以ouput最后一个维度大小是hidden_size * bidirectional
h_n记录的是最后一个时间步所有层（包括双向的两层）上的隐藏层状态信息，其大小是：[num_layers * bidirectional, batch_size, hidden_size]

2、2 layer RNN如下所示，带入上面知识理解

    rnn = nn.RNN(input_size=100, hidden_size=20, num_layers=4)
    print(rnn)
    x = torch.randn(10, 3, 100)
    out, h = rnn(x, torch.zeros(4, 3, 20))
    print(out.shape, h.shape)

二、nn.RNNCell

1、基本RNNCell

上述的RNN是一整个流程，从第一个时间步到最后一个时间步都给我们集成好了。下面介绍的是一个Cell的RNN，也叫RNNCell，这个需要我们自己手动往后更新hi计算每个时间步。

torch.nn.RNNCell(input_size, hidden_size, bias=True, nonlinearity='tanh', device=None, dtype=None)

这里的input_size 和 hidden_size 与上面的RNN的意义一样

 cell1 = nn.RNNCell(100, 20)
 h1 = torch.zeros(3, 20)
 for xt in x:
     h1 = cell1(xt, h1)
 print(h1.shape)

这里与RNN不同的是，cell1的输入xt是X在每个时间步上的数据，对时间步做一个for循环，xt大小是：[batch_size,
input_size]；同样，这只表示一个cell，则h1的初始化也不用关心多少层是否双向的问题，其大小是：[batch_size,
hidden_size]

cell1的输出也只有一个h1，这个h1用来更新隐藏层用来手动向后计算，大小与初始化的一样*[batch_size, input_size]*

2、2 layer RNNCell

    cell1 = nn.RNNCell(100, 30)
    cell2 = nn.RNNCell(30, 20)
    h1 = torch.zeros(3, 30)
    h2 = torch.zeros(3, 20)
    for xt in x:
        h1 = cell1(xt, h1)
        h2 = cell2(h1, h2)
    print(h2.shape)