循环神经网络RNN 的架构-PyTorch

1层RNN长这样：

Pytorch的RNN的调用：

rnn_layer = nn.RNN(input_size=2, hidden_size=3, num_layers=2)

# input_size  ：输入特征的维度，即下图中每一时刻Xt的输入长度，Xt=[x1,x2] ，长度为2
# hidden_size ：隐藏层神经元个数，下图中hidden_size=3
# num_layers  ：网络的层数，下图为2层（上下之间，不是左右之间，左右之间是同一层）

输入：

X = torch.rand(2, 1, 2)    # （时间步数， batchsize， 特征长度）
Y, h_new = rnn_layer(X, h)

# X第一个参数为时间步数，有几段Xt序列； 第二个为batchsize； 
#  第三个为特征长度，Xt的长度，对应input_size，Xt=[x1,x2]
# 输入还有一个h，对应下图h(t-1)，一般为None
# 输出为y和h

抽象结构：

上图中，第一层的模型参数：

w1:input-hidden权重 [input_size,hidden_size]

w2:hidden-hidden权重 [hidden_size,hidden_size]

b1:input-hidden偏置 [hidden_size]

b2:hidden-hidden偏置 [hidden_size]

————————————————

版权声明：本文为CSDN博主「不知语冰」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_42800654/article/details/106625022