Pytorch LSTM模型 参数详解

        本文主要依据 Pytorch 中LSTM官方文档，对其中的模型参数、输入、输出进行详细解释。

目录

基本原理

 模型参数 Parameters

 输入Inputs: input, (h_0, c_0)

 输出Outputs: output, (h_n, c_n)

变量Variables

备注

---

基本原理

        首先我们看下面这个LSTM图， 对应于输入时间序列中每个步长的LSTM计算。

对应的公式计算公式如下：

 

         其中  表示时刻  时刻的隐含状态， 表示时刻  上的记忆细胞， 表示时刻  的输入（对应于单个样本），表示隐含层在时刻的隐含状态或者是在起始时间o的初始隐含状态，, , 表示对应的输入、遗忘、 输出门。σ 表示的是sigmoid 函数，⊙ 表示哈达玛积（Hadamard product）。

        对于含多个隐含层的LSTM，第  层（）的输入​ 则对应的是前一层的隐含状态与丢弃dropout  的乘积，其中每一个 是Bernoulli随机变量（以参数dropout 的概率等于0）。

        如果参数指定proj_size > 0，则将对LSTM使用投影。他的运作方式包括以下几步。首先，的维度将从hidden_size 转换为proj_size ( 的维度也会同时被改变)。第二，每一个层的隐含状态输出将与一个（可学习）的投影矩阵相乘： 。注意，这种投影模式同样对LSTM的输出有影响，即变成proj_size. 

 模型参数 Parameters

• input_size – 输入变量x的特征数量

• hidden_size – 隐含层h的特征数量（即层中隐含单元的个数）

• num_layers – 隐含层的层数，比如说num_layers =2, 意味着这是包含两个LSTM层，默认值：1

• bias – 如果为False， 表示不使用偏置权重 b_ih 和 b_hh。默认值为：True

• batch_first – 如果为True，则输入和输出的tensor维度为从(seq, batch, feature)变成 (batch, seq, feature)。 注意，这个维度变化对隐含和细胞的层并不起做用。参见下面的Inputs/Outputs 部分的说明，默认值：False

• dropout – 如果非0，则会给除最后一个LSTM层以外的其他层引入一个Dropout层，其对应的丢弃概率为dropout，默认值：0

• bidirectional – 如果为True，则是一个双向的（bidirectional ）的LSTM，默认值：False

• proj_size – 如果>0, 则会使用相应投影大小的LSTM，默认值：0

 输入Inputs: input, (h_0, c_0)

• input：当batch_first = False 时形状为（L，N，H_in），当 batch_first = True 则为(N, L, H_in​) ，包含批量样本的时间序列输入。该输入也可是一个可变换长度的时间序序列，参见 torch.nn.utils.rnn.pack_padded_sequence() 或者是 torch.nn.utils.rnn.pack_sequence() 了解详情。

• h_0：形状为（D∗num_layers, N, H_out），指的是包含每一个批量样本的初始隐含状态。如果模型未提供(h_0, c_0) ，默认为是全0矩阵。

• c_0：形状为（D∗num_layers, N, H_cell）， 指的是包含每一个批量样本的初始记忆细胞状态。 如果模型未提供(h_0, c_0) ，默认为是全0矩阵。

 其中：

        N = 批量大小

        L  = 序列长度

        D = 2 如果模型参数bidirectional = 2，否则为1

        H_in = 输入的特征大小(input_size)

        H_cell = 隐含单元数量（hidden_size）

        H_out = proj_size, 如果proj_size > 0， 否则的话 = 隐含单元数量（hidden_size）

 输出Outputs: output, (h_n, c_n)

• output: 当batch_first = False 形状为(L, N, D∗H_out​) ，当batch_first = True 则为 (N, L, D∗H_out​) ，包含LSTM最后一层每一个时间步长  的输出特征()。如果输入的是torch.nn.utils.rnn.PackedSequence，则输出同样将是一个packed sequence。

• h_n: 形状为(D∗num_layers, N, H_out​)，包括每一个批量样本最后一个时间步的隐含状态。

• c_n: 形状为(D∗num_layers, N, H_cell​)，包括每一个批量样本最后一个时间步的记忆细胞状态。

变量Variables

• ~LSTM.weight_ih_l[k] – 学习得到的第k层的 input-hidden 权重 (W_ii|W_if|W_ig|W_io)，当k=0 时形状为 (4*hidden_size, input_size) 。 否则，形状为 (4*hidden_size, num_directions * hidden_size) 

• ~LSTM.weight_hh_l[k] –学习得到的第k层的 hidden -hidden 权重(W_hi|W_hf|W_hg|W_ho), 想形状为 (4*hidden_size, hidden_size)。如果 Proj_size > 0，则形状为 (4*hidden_size, proj_size)

• ~LSTM.bias_ih_l[k] – 学习得到的第k层的input-hidden 的偏置 (b_ii|b_if|b_ig|b_io), 形状为 (4*hidden_size)

• ~LSTM.bias_hh_l[k] – 学习得到的第k层的hidden -hidden 的偏置  (b_hi|b_hf|b_hg|b_ho), 形状为 (4*hidden_size)

• ~LSTM.weight_hr_l[k] – 学习得到第k层投影权重，形状为 (proj_size, hidden_size)。仅仅在 proj_size > 0 时该参数有效。

备注

• 所有的权重和偏置的初始化方法均取值于：

         

• 对于双向 LSTMs，前向和后向的方向分别为0 和1。当batch_first = False 时，对两个方向的输出层的提取可以使用方式：output.view(seq_len, batch, num_directions, hidden_size)。
• 具体怎么使用，可以参考本人博文 从零开始实现，LSTM模型进行单变量时间序列预测
• 关于LSTM模型的结构如果还有不清晰的可以参考这篇博客：Pytorch实现的LSTM模型结构