Pytorch实现实现LSTM和和GRU示例示例 为了解决传统RNN无法长时依赖问题，RNN的两个变体LSTM和GRU被引入。 LSTM Long Short Term Memory，称为长短期记忆网络，意思就是长的短时记忆，其解决的仍然是短时记忆问题，这种短时记忆比较长，能一 定程度上解决长时依赖。 上图为LSTM的抽象结构，LSTM由3个门来控制，分别是输入门、遗忘门和输出门。输入门控制网络的输入，遗忘门控制着记忆单元，输 出门控制着网络的输出。最为重要的就是遗忘门，可以决定哪些记忆被保留，由于遗忘门的作用，使得LSTM具有长时记忆的功能。对于 给定的任务，遗忘门能够自主学习保留多少之前的记忆，网络能够自主学习。 具体看LSTM单元的内部结构： 



在每篇文章中，作者都会使用和标准LSTM稍微不同的版本，针对特定的任务，特定的网络结构往往表现更好。 GRU 上述的过程的线性变换没有使用偏置。隐藏状态参数不再是标准RNN的4倍，而是3倍，也就是GRU的参数要比LSTM的参数量要少，但 是性能差不多。 Pytorch 在Pytorch中使用nn.LSTM()可调用，参数和RNN的参数相同。具体介绍LSTM的输入和输出： 输入： input, (h_0, c_0) input：输入数据with维度(seq_len,batch,input_size) h_0:维度为(num_layers*num_directions,batch,hidden_size),在batch中的 初始的隐藏状态. c_0:初始的单元状态，维度与h_0相同 输出：output, (h_n, c_n) output：维度为(seq_len, batch, num_directions * hidden_size)。 

h_n：最后时刻的输出隐藏状态，维度为 (num_layers * num_directions, batch, hidden_size) c_n:最后时刻的输出单元状态，维度与h_n相同。 LSTM的变量： 的变量： 以以MNIST分类为例实现 分类为例实现LSTM分类分类 MNIST图片大小为28×28，可以将每张图片看做是长为28的序列，序列中每个元素的特征维度为28。将最后输出的隐藏状态 作为抽象 的隐藏特征输入到全连接层进行分类。最后输出的 导入头文件： 导入头文件： import torch import torch.nn as nn import torch.optim as optim import torchvision from torchvision import transforms class Rnn(nn.Module): def __init__(self, in_dim, hidden_dim, n_layer, n_classes): super(Rnn, self).__init__() self.n_layer = n_layer self.hidden_dim = hidden_dim self.lstm = nn.LSTM(in_dim, hidden_dim, n_layer, batch_first=True) self.classifier = nn.Linear(hidden_dim, n_classes) def forward(self, x): out, (h_n, c_n) = self.lstm(x) # 此时可以从out中获得最终输出的状态h # x = out[:, -1, :] x = h_n[-1, :, :] x = self.classifier(x) return x 训练和测试代码： 训练和测试代码： transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize([0.5], [0.5]), ]) trainset = torchvision.datasets.MNIST(root='./data', train=True, download=True, transform=transform) trainloader = torch.utils.data.DataLoader(trainset, batch_size=128, shuffle=True) testset = torchvision.datasets.MNIST(root='./data', train=False, download=True, transform=transform) testloader = torch.utils.data.DataLoader(testset, batch_size=100, shuffle=False) net = Rnn(28, 10, 2, 10) net = net.to('cpu') criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(net.parameters(), lr=0.1, momentum=0.9) # Training def train(epoch): print('\nEpoch: %d' % epoch) net.train() train_loss = 0 correct = 0 total = 0 for batch_idx, (inputs, targets) in enumerate(trainloader): inputs, targets = inputs.to('cpu'), targets.to('cpu') optimizer.zero_grad() outputs = net(torch.squeeze(inputs, 1)) loss = criterion(outputs, targets) loss.backward() optimizer.step() 

train_loss += loss.item() _, predicted = outputs.max(1) total += targets.size(0) correct += predicted.eq(targets).sum().item() print(batch_idx, len(trainloader), 'Loss: %.3f | Acc: %.3f%% (%d/%d)' % (train_loss/(batch_idx+1), 100.*correct/total, correct, total)) def test(epoch): global best_acc net.eval() test_loss = 0 correct = 0 total = 0 with torch.no_grad(): for batch_idx, (inputs, targets) in enumerate(testloader): inputs, targets = inputs.to('cpu'), targets.to('cpu') outputs = net(torch.squeeze(inputs, 1)) loss = criterion(outputs, targets) test_loss += loss.item() _, predicted = outputs.max(1) total += targets.size(0) correct += predicted.eq(targets).sum().item() print(batch_idx, len(testloader), 'Loss: %.3f | Acc: %.3f%% (%d/%d)' % (test_loss/(batch_idx+1), 100.*correct/total, correct, total)) for epoch in range(200): train(epoch) test(epoch) 以上这篇Pytorch实现LSTM和GRU示例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持软件开发网。 您可能感兴趣的文章:pytorch下使用LSTM神经网络写诗实例pytorch 利用lstm做mnist手写数字识别分类的实例pytorch实现用CNN和LSTM 您可能感兴趣的文章 对文本进行分类方式