LSTM的输入和输出尺寸

CLASS torch.nn.LSTM(*args, **kwargs)

Applies a multi-layer long short-term memory (LSTM) RNN to an input sequence.
For each element in the input sequence, each layer computes the following function:

对于一个输入序列实现多层长短期记忆的RNN网络，对于输入序列中的每一个元素，LSTM的每一层进行如下计算：
$$\begin{gathered} i_t=\sigma (W_{ii}{x}_t+b_{ii}+W_{hi}{h}_{t-1}+b_{hi}) \\ {f}_t=\sigma (W_{if}{x}_t+b_{if}+W_{hf}{h}_{t-1}+b_{hf}) \\ {g}_t=\tanh (W_{ig}{x}_t+b_{ig}+W_{hg}{h}_{t-1}+b_{hg}) \\ {o}_t=\sigma (W_{io}{x}_t+b_{io}+W_{ho}{h}_{t-1}+b_{ho}) \\ {c}_t=f_t\odot c_{t-1}+i_t\odot g_t \\ {h}_t=o_t\odot \tanh (c_t) \end{gathered}$$
其中：

• $h_t：$时间步t的隐藏状态
• $c_t：$时间步t的细胞状态
• $x_t：$时间步t的输入
• $h_{t-1}：$时间步t-1的隐藏状态或者初始化的隐藏状态（时间步0）
• $i_t、f_t、g_t：$分别是输入门，遗忘门，单元门和输出门
• $\sigma ：$sigmoid函数
• $\odot ：$Hadamard积

其中的参数：

input_size ：输入的维度hidden_size：h的维度num_layers：堆叠LSTM的层数，默认值为1bias：偏置 ，默认值：Truebatch_first： 如果是True，则input为(batch, seq, input_size)。默认值为：False（seq_len, batch, input_size）bidirectional ：是否双向传播，默认值为False

输入

Inputs: input, (h_0, c_0)

• Input输入维度是(seq_len, batch, input_size)，即（句子中字的数量，批量大小，每个字向量的长度）

• h_0 的维度(num_layers * num_directions, batch, hidden_size)，即（层数$\ast$LSTM方向数量(单向或者双向)，批量大小，隐藏向量维度）

• c_0 的维度 (num_layers * num_directions, batch, hidden_size)，即（层数$\ast$LSTM方向数量，隐藏向量维度）

• If (h_0, c_0) is not provided, both h_0 and c_0 default to zero，h_0和c_0的默认参数都是全0.

输出

Outputs: output, (h_n, c_n)

• output 输出维度 (seq_len, batch, num_directions * hidden_size)，即（句子中字的数量，批量大小，LSTM方向数量$\ast$隐藏向量维度）
• h_n 维度 (num_layers * num_directions, batch, hidden_size)
• c_n 维度 (num_layers * num_directions, batch, hidden_size)

举个例子

• num_layers = 1

import torch.nn as nn
import torch
x = torch.rand(5,50,100)#(seq_len, batch, input_size)
lstm = nn.LSTM(100,20,num_layers=2)
output,(hidden,cell) = lstm(x)
print("output size:{} \nhidden size:{} \ncell size:{}".format(output.size(),hidden.size(),cell.size()))

输出：

output size:torch.Size([5, 50, 20]) 
hidden size:torch.Size([2, 50, 20]) 
cell size:torch.Size([2, 50, 20])

• bidirecrtional = True

import torch.nn as nn
import torch
x = torch.rand(5,50,100)
lstm = nn.LSTM(100,20,bidirectional=True)
output,(hidden,cell) = lstm(x)
print("output size:{} \nhidden size:{} \ncell size:{}".format(output.size(),hidden.size(),cell.size()))

输出：

output size:torch.Size([5, 50, 40]) 
hidden size:torch.Size([2, 50, 20]) 
cell size:torch.Size([2, 50, 20])