简介

 

nn.LSTM参数

torch.nn.lstm(input_size,   "输入的嵌入向量维度，例如每个单词用50维向量表示，input_size就是50"hidden_size,  "隐藏层节点数量,也是输出的嵌入向量维度"num_layers,   "lstm 隐层的层数，默认为1"bias,         "隐层是否带 bias，默认为 true"batch_first,  "True 或者 False，如果是 True，则 input 为(batchsize, len, input_size)，默认值为：False（len, batchsize, input_size）"dropout,      "除最后一层，每一层的输出都进行dropout,默认值0"bidirectional "如果设置为 True, 则表示双向 LSTM，默认为 False")

维度

batch_first=True，输入维度(batchsize，len，input_size)

batch_first=False，输入维度(len，batchsize， input_size)

batch_first=False，输出维度(len，batchsize，hidden_size）

举例嵌入向量维度为1

 假如输入x为（batchsize，len）的序列，即嵌入向量维度为1，进行一个回归预测。

如果将嵌入向量维度维度设为1就不太合理，因为如果len非常长例如几w，那么经过几w的时间步得到的得到的h维度为（batchsize，1），序列太长丢失很多信息，再输入全连接层预测效果不好。并且lstm实际上将嵌入向量维度从input_size规约到hidden_size。

所以在这里我们将len作为input_size，嵌入向量维度1作为len（即对调了一下）

添加一个维度：

x = x.unsqueeze(0)

x维度变为（1，batchsize，len），相当于设置数据的长度为1，嵌入向量维度为len，通过nn.LSTM输入到网络中。

#lstm为定义的网络
#h[-1]为最后输入到全连接层的嵌入矩阵 但是由于此问题中len为1，所以x等于h[-1]
x, (h, c) = lstm(x)

x维度变为（1，batchsize，hidden_size）

h为每层lstm最后一个时间步的输出（一般可以输入到后续的全连接层），维度为（num_layers，batchsize，hidden_size）

c为最后一个时间步 LSTM cell 的状态（记忆单元，一般用不到），维度为（num_layers，batchsize，hidden_size）

移除张量中所有尺寸为 1 的维度，即将第一个维度移除掉：

lstm_out = x.squeeze(0)

x维度变为（batchsize，hidden_size） ，输入到全连接层（线性层，维度（hidden_size，num_class））中，最终输出维度（batchsize，num_class）

参考：

Pytorch — LSTM (nn.LSTM & nn.LSTMCell)-CSDN博客