RNN笔记（刘二大人）pytorch中构建RNN的第一种方法：RNNcell：pytorch中构建RNN的第二种方法：RNN：小实践举例（RNN和RNNCell）添加了embedding的RNNLSTM实践举例GRU训练实践

RNN计算过程

RNNcell的具体计算过程

pytorch中构建RNN的第一种方法：RNNcell：

1. 初始化定义的时候，只有两个参数：input_size、hidden_size
2. 实际使用的时候，也有两个参数，input张量、hidden张量
   其中input张量的大小为batch_size * input_size
   hidden张量的大小为batch_size * hidden_size
   返回值为一个新的hidden张量，大小为batch_size * hidden_size
   

pytorch中构建RNN的第二种方法：RNN：

1. 构造初始化时，参数有3个：input_size、hidden_size、num_layers（有多少个RNNcell层）
   ！！！注意numlayers和seqSize的区别：
   1. numlayers是指RNNcell处理的层数（比如下图中的RNNcell只有一行，那就只有一层），不是RNNcell的个数
   2. seqSize是指自变量x的个数，比如一句话有多少个token
2. 实际调用时：
   1. 有两个输入参数，input张量、hidden张量
      input张量的大小为（seqSize * Batch * input_size）
      hidden张量的大小为（numlayers * batch * hidden_size）
   2. 有两个输出参数，output张量、hidden张量
      output张量对应h1 - hn的所有hidden张量的综合（大小为：seqSize * batch * hidden_size ）
      hidden张量就是最后的hn张量（大小为：num_layers * batch * hidden_size）

小实践举例（RNN和RNNCell）

任务：seq2seq（把hello单词转化成ohlol）

具体过程：

参数：

1. input_size = 4，input的字母有多少种，那么每一个token的one_hot向量的维度就是多少
2. output_size = 4，同样output的字母有多少种，那么每一个token的one_hot向量的维度就是多少，那么hidden_size = output_size = 4
3. seqSize = 5，因为hello有5个字母
4. batch = 1，因为目前只有这一个单词

完整代码见链接：
RNN、RNNcell代码基础篇
注意想不通的一点是cross-entropy的两个输入（预测的向量，真实的y值）
二者的维度不同！
下图中的标注部分是一个token的one-hot预测向量、和其对应的真实y值，这样就直接cross-entropy了，有什么不明白的（笨！）

！！！！！注意RNN和RNNcell的cross-entropy的区别，在于

1. RNNCell是一个one-hot对应一个数字label
2. 而RNN是多个one-hot向量组成的序列，对应一个由多个label数字组成的label序列
   

添加了embedding的RNN

多了两个地方的修改

1. 在RNN之前，添加embedding
2. 在RNN之后，添加线性层
   

1、embedding的作用，就是把高维的、稀疏的one-hot的张量进行压缩处理，让其变成低纬的密集的矩阵（数据降维）（就是把input_size映射到embedding_size）

embedding层其实就是一个矩阵，它的两个输入为：
1. num_embeddings：就是input的size（矩阵的长）
2. embedding_dim：就是output的size（矩阵的宽）

2、线性层的作用
有时候hidden_size = output_size，但是有时候hidden_size不等于output_size，此时我们用线性层把RNN输出的hidden_size映射到output_size

具体代码链接：RNN、RNNcell代码基础篇

注意点：

1. input的张量必须是long类型（为了embedding）
2. input不再需要把输入转化为one-hot向量，embedding会自动转
3. 注意设置标准的x_data和y_data的格式：

idx2char = ['e','l','h','o'] 
x_data = [[2,0,1,1,3]] #(batch, seq_len) list
y_data = [3,2,1,3,1] # #(batch * seq_len)

LSTM实践举例

方法1：手动敲一份LSTM的模型出来
具体原理也可以看这里的链接
手写LSTM模型的实践代码

方法2：直接用LSTM的接口，LSTM的参数说明
LSTM使用的官方文档
parameter参数部分和RNN几乎一模一样
不同的是input和output
LSTM的输入有3个（input，（h0，c0））
输出也有3个（output，（hn，cn））

修改的过程就是在原有的RNN+embedding基础上修改两个地方：

修改完成的代码链接：
具体代码链接：LSTM训练链接

GRU训练实践

原理+参数说明见官方文档：
GRU说明
具体到使用上来，只要把RNN+embedding那个版本的代码的RNN模型改成GRU即可

（GRU的原理很像LSTM，但是调用方式很像RNN。没有像LSTM一样的c0向量，输出也没有c0）
具体代码链接：GRU训练链接

最后

以上就是笨笨滑板为你收集整理的RNN笔记（刘二大人）pytorch中构建RNN的第一种方法：RNNcell：pytorch中构建RNN的第二种方法：RNN：小实践举例（RNN和RNNCell）添加了embedding的RNNLSTM实践举例GRU训练实践的全部内容，希望文章能够帮你解决RNN笔记（刘二大人）pytorch中构建RNN的第一种方法：RNNcell：pytorch中构建RNN的第二种方法：RNN：小实践举例（RNN和RNNCell）添加了embedding的RNNLSTM实践举例GRU训练实践所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。