pytorch初学概念整理-RNN-MNIST数据集

源代码

源代码直接采用找到的已写好的代码，可以看到基本这套代码用的是LSTM结构，对mnist数据进行训练，下面解读一下，顺便修改+对比一下LSTM和RNN的训练区别

库

import torch
from torch import nn
import torchvision.datasets as dsets
import torchvision.transforms as transforms
import matplotlib.pyplot as plt
import os

超参数定义

这部分定义训练网络结构的一些参数
代表的意思用注释标在代码行里了

# Hyper Parameters
EPOCH = 3 # 喂几轮数据
BATCH_SIZE = 64 #一次前向传播训练里面用多少个样本
INPUT_SIZE = 28  #一个样本的大小，这里是像素点，一个图像28个像素点。换成文本就是看one-hot字典集的长度
LR = 0.01 #Adam优化器的下降步长
DOWNLOAD_MNIST = False

定义RNN网络类

这里使用的是对nn.Module进行继承和修改。相关定义和理解参考链接

事实上，在pytorch里面自定义层也是通过继承自nn.Module类来实现的，我前面说过，pytorch里面一般是没有层的概念，层也是当成一个模型来处理的，这里和keras是不一样的。前面介绍过，我们当然也可以直接通过继承torch.autograd.Function类来自定义一个层，但是这很不推荐，不提倡，至于为什么后面会介绍。记住一句话，keras更加注重的是层Layer、pytorch更加注重的是模型Module。
————————————————
版权声明：本文为CSDN博主「LoveMIss-Y」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_27825451/article/details/90705328

class RNNnet(nn.Module): #继承nn.Module
    def __init__(self): #这里self指的实例本身，self必须是第一个参数
        super(RNNnet, self).__init__()
        self.rnn = nn.RNN(
            input_size=INPUT_SIZE,
            hidden_size=64,  
            num_layers=1,
            batch_first=True
        )
        self.out = nn.Linear(64, 10)

    def forward(self, x):
        # x shape (batch, time_step, input_size)
        # r_out shape (batch, time_step, output_size)
        # h_n shape (n_layers, batch, hidden_size)
        # h_c shape (n_layers, batch, hidden_size)
        r_out, h_n = self.rnn(x, None)
        # choose r_out at the last time step
        out = self.out(r_out[:, -1, :])
        return out

_init_函数基本定义

其中，_init_函数和逻辑函数（这里是forward）是必须定义的。
这里写法理解参考