pytorch自然语言处理基础模型之六：BiLSTM

       上一篇文章我们介绍了LSTM的基本原理，本文我们将构建一个双向LSTM网络去生成一个语言模型。所谓语言模型就是估算一个单词在一个序列中出现的概率，简单讲就是给定一段话，通过神经网络的学习之后，可以通过前面的词和句子去预测下一个词。

1、模型原理

       BiLSTM是Bi-directional Long Short-Term Memory的缩写，是由前向LSTM与后向LSTM组合而成。通过上篇文章我们可以得知，使用LSTM模型可以更好的捕捉到较长距离的依赖关系，但是利用LSTM对句子进行建模还存在一个问题：无法编码从后到前的信息。有些时候预测可能需要由前面若干输入和后面若干输入共同决定，这样会更加准确，通过BiLSTM可以更好的捕捉双向的语义依赖。

2、代码实现

1. 导入需要的库，设置数据类型

import numpy as np
import torch
import torch.nn as nn
import torch.optim as optim
from torch.autograd import Variable

dtype = torch.FloatTensor

2. 创建数据和字典

//一段没有意义的拉丁文
sentence = ('Lorem ipsum dolor sit amet consectetur adipisicing elit '
            'sed do eiusmod tempor incididunt ut labore et dolore magna '
            'aliqua Ut enim ad minim veniam quis nostrud exercitation')
            
n_class = len(word_dict)   //词表的数量
max_len = len(sentence.split())    //句子的长度（所有单词的数量）
n_hidden = 5   //LSTM网络隐藏层的个数

3. 创建batch

def make_batch(sentence):
    input_batch = []
    target_batch = []
    
    words = sentence.split()
    //构建batch，依次用句子中前面的词组成的序列去预测下一个词
    for i, word in enumerate(words[:-1]):