pytorch中的LSTM

RNN和RNNCell层的区别在于前者能处理整个序列，而后者一次只处理序列中一个时间点的数据，前者封装更完备更易于使用，后者更具灵活性。RNN层可以通过调用RNNCell来实现

# -*- coding: utf-8 -*-
#@Time    :2019/7/1 22:41
#@Author  :XiaoMa
import torch as t
from torch.autograd import Variable as V
from torch import nn
t.manual_seed(1000)#设置随机数种子，保证每次运行得到相同的结果
input=V(t.randn(2,3,4)) #batch_size=3,序列长度为2，序列中每个元素占4维

#LSTM输入向量为4维，3个隐藏元，1层
lstm=nn.LSTM(4,3,1)

#初始状态：1层，batch_size=3,3个隐藏元
h0=V(t.randn(1,3,3))
c0=V(t.randn(1,3,3))

out,hn=lstm(input,(h0,c0))
print(out)

输出结果：

tensor([[[-0.3610, -0.1643,  0.1631],
         [-0.0613, -0.4937, -0.1642],
         [ 0.5080, -0.4175,  0.2502]],

        [[-0.0703, -0.0393, -0.0429],
         [ 0.2085, -0.3005, -0.2686],
         [ 0.1482, -0.4728,  0.1425]]], grad_fn=<CatBackward>)

示例2：

# -*- coding: utf-8 -*-
#@Time    :2019/7/2 14:04
#@Author  :XiaoMa

import torch as t
from torch.autograd import Variable as V
from torch import nn
t.manual_seed(1000)#设置随机数种子，保证每次运行得到相同的结果
input=V(t.randn(2,3,4)) #batch_size=3,序列长度为2，序列中每个元素占4维


input=V(t.randn(2,3,4))
#一个LSTMCell对应的层数只能是一层
lstm=nn.LSTMCell(4,3)
hx=V(t.randn(3,3,))
cx=V(t.randn(3,3))
out=[]

for i_ in input:
    hx,cx=lstm(i_,(hx,cx))
    out.append(hx)
print(t.stack(out))

#pytorch中的embedding层
embedding=nn.Embedding(4,5) #有4个词，每个词有5维向量表示

#可以用预训练好的词向量初始化embedding
embedding.weight.data=t.arange(0,20).view(4,5)

input=V(t.arange(3,0,-1).long())
output=embedding(input)
print('output=',output)

输出结果：

         [ 0.2780,  0.0367, -0.0181],
         [-0.0443,  0.2794, -0.3031]],

        [[ 0.1455,  0.0193, -0.0891],
         [ 0.3409,  0.2397, -0.2647],
         [ 0.1984,  0.0731, -0.2611]]], grad_fn=<StackBackward>)
output= tensor([[15, 16, 17, 18, 19],
        [10, 11, 12, 13, 14],
        [ 5,  6,  7,  8,  9]], grad_fn=<EmbeddingBackward>)