PyTorch深度學(xué)習(xí)LSTM從input輸入到Linear輸出
LSTM介紹
關(guān)于LSTM的具體原理，可以參考：
http://m.fzitv.net/article/178582.htm
http://m.fzitv.net/article/178423.htm
系列文章：
PyTorch搭建雙向LSTM實現(xiàn)時間序列負(fù)荷預(yù)測
PyTorch搭建LSTM實現(xiàn)多變量多步長時序負(fù)荷預(yù)測
PyTorch搭建LSTM實現(xiàn)多變量時序負(fù)荷預(yù)測
PyTorch搭建LSTM實現(xiàn)時間序列負(fù)荷預(yù)測
LSTM參數(shù)
關(guān)于nn.LSTM的參數(shù)，官方文檔給出的解釋為：
總共有七個參數(shù)，其中只有前三個是必須的。由于大家普遍使用PyTorch的DataLoader來形成批量數(shù)據(jù)，因此batch_first也比較重要。LSTM的兩個常見的應(yīng)用場景為文本處理和時序預(yù)測，因此下面對每個參數(shù)我都會從這兩個方面來進(jìn)行具體解釋。
- input_size：在文本處理中，由于一個單詞沒法參與運(yùn)算，因此我們得通過Word2Vec來對單詞進(jìn)行嵌入表示，將每一個單詞表示成一個向量，此時input_size=embedding_size。
- 比如每個句子中有五個單詞，每個單詞用一個100維向量來表示，那么這里input_size=100；
- 在時間序列預(yù)測中，比如需要預(yù)測負(fù)荷，每一個負(fù)荷都是一個單獨(dú)的值，都可以直接參與運(yùn)算，因此并不需要將每一個負(fù)荷表示成一個向量，此時input_size=1。
- 但如果我們使用多變量進(jìn)行預(yù)測，比如我們利用前24小時每一時刻的[負(fù)荷、風(fēng)速、溫度、壓強(qiáng)、濕度、天氣、節(jié)假日信息]來預(yù)測下一時刻的負(fù)荷，那么此時input_size=7。
- hidden_size：隱藏層節(jié)點個數(shù)?？梢噪S意設(shè)置。
- num_layers：層數(shù)。nn.LSTMCell與nn.LSTM相比，num_layers默認(rèn)為1。
- batch_first：默認(rèn)為False，意義見后文。
Inputs
關(guān)于LSTM的輸入，官方文檔給出的定義為：
可以看到，輸入由兩部分組成：input、(初始的隱狀態(tài)h_0，初始的單元狀態(tài)c_0)
其中input：
input(seq_len, batch_size, input_size)
- seq_len：在文本處理中，如果一個句子有7個單詞，則seq_len=7；在時間序列預(yù)測中，假設(shè)我們用前24個小時的負(fù)荷來預(yù)測下一時刻負(fù)荷，則seq_len=24。
- batch_size：一次性輸入LSTM中的樣本個數(shù)。在文本處理中，可以一次性輸入很多個句子；在時間序列預(yù)測中，也可以一次性輸入很多條數(shù)據(jù)。
- input_size：見前文。
(h_0, c_0)：
h_0(num_directions * num_layers, batch_size, hidden_size) c_0(num_directions * num_layers, batch_size, hidden_size)
h_0和c_0的shape一致。
- num_directions：如果是雙向LSTM，則num_directions=2；否則num_directions=1。
- num_layers：見前文。
- batch_size：見前文。
- hidden_size：見前文。
Outputs
關(guān)于LSTM的輸出，官方文檔給出的定義為：
可以看到，輸出也由兩部分組成：otput、(隱狀態(tài)h_n，單元狀態(tài)c_n)
其中output的shape為：
output(seq_len, batch_size, num_directions * hidden_size)
h_n和c_n的shape保持不變，參數(shù)解釋見前文。
batch_first
如果在初始化LSTM時令batch_first=True，那么input和output的shape將由：
input(seq_len, batch_size, input_size) output(seq_len, batch_size, num_directions * hidden_size)
變?yōu)椋?/p>
input(batch_size, seq_len, input_size) output(batch_size, seq_len, num_directions * hidden_size)
即batch_size提前。
案例
簡單搭建一個LSTM如下所示：
class LSTM(nn.Module):
def __init__(self, input_size, hidden_size, num_layers, output_size, batch_size):
super().__init__()
self.input_size = input_size
self.hidden_size = hidden_size
self.num_layers = num_layers
self.output_size = output_size
self.num_directions = 1 # 單向LSTM
self.batch_size = batch_size
self.lstm = nn.LSTM(self.input_size, self.hidden_size, self.num_layers, batch_first=True)
self.linear = nn.Linear(self.hidden_size, self.output_size)
def forward(self, input_seq):
h_0 = torch.randn(self.num_directions * self.num_layers, self.batch_size, self.hidden_size).to(device)
c_0 = torch.randn(self.num_directions * self.num_layers, self.batch_size, self.hidden_size).to(device)
seq_len = input_seq.shape[1] # (5, 30)
# input(batch_size, seq_len, input_size)
input_seq = input_seq.view(self.batch_size, seq_len, 1) # (5, 30, 1)
# output(batch_size, seq_len, num_directions * hidden_size)
output, _ = self.lstm(input_seq, (h_0, c_0)) # output(5, 30, 64)
output = output.contiguous().view(self.batch_size * seq_len, self.hidden_size) # (5 * 30, 64)
pred = self.linear(output) # pred(150, 1)
pred = pred.view(self.batch_size, seq_len, -1) # (5, 30, 1)
pred = pred[:, -1, :] # (5, 1)
return pred
其中定義模型的代碼為：
self.lstm = nn.LSTM(self.input_size, self.hidden_size, self.num_layers, batch_first=True) self.linear = nn.Linear(self.hidden_size, self.output_size)
我們加上具體的數(shù)字：
self.lstm = nn.LSTM(self.input_size=1, self.hidden_size=64, self.num_layers=5, batch_first=True) self.linear = nn.Linear(self.hidden_size=64, self.output_size=1)
再看前向傳播：
def forward(self, input_seq):
h_0 = torch.randn(self.num_directions * self.num_layers, self.batch_size, self.hidden_size).to(device)
c_0 = torch.randn(self.num_directions * self.num_layers, self.batch_size, self.hidden_size).to(device)
seq_len = input_seq.shape[1] # (5, 30)
# input(batch_size, seq_len, input_size)
input_seq = input_seq.view(self.batch_size, seq_len, 1) # (5, 30, 1)
# output(batch_size, seq_len, num_directions * hidden_size)
output, _ = self.lstm(input_seq, (h_0, c_0)) # output(5, 30, 64)
output = output.contiguous().view(self.batch_size * seq_len, self.hidden_size) # (5 * 30, 64)
pred = self.linear(output) # (150, 1)
pred = pred.view(self.batch_size, seq_len, -1) # (5, 30, 1)
pred = pred[:, -1, :] # (5, 1)
return pred
假設(shè)用前30個預(yù)測下一個，則seq_len=30，batch_size=5，由于設(shè)置了batch_first=True，因此，輸入到LSTM中的input的shape應(yīng)該為：
input(batch_size, seq_len, input_size) = input(5, 30, 1)
但實際上，經(jīng)過DataLoader處理后的input_seq為：
input_seq(batch_size, seq_len) = input_seq(5, 30)
(5, 30)表示一共5條數(shù)據(jù)，每條數(shù)據(jù)的維度都為30。為了匹配LSTM的輸入，我們需要對input_seq的shape進(jìn)行變換：
input_seq = input_seq.view(self.batch_size, seq_len, 1) # (5, 30, 1)
然后將input_seq送入LSTM：
output, _ = self.lstm(input_seq, (h_0, c_0)) # output(5, 30, 64)
根據(jù)前文，output的shape為：
output(batch_size, seq_len, num_directions * hidden_size) = output(5, 30, 64)
全連接層的定義為：
self.linear = nn.Linear(self.hidden_size=64, self.output_size=1)
因此，我們需要將output的第二維度變換為64(150, 64)：
output = output.contiguous().view(self.batch_size * seq_len, self.hidden_size) # (5 * 30, 64)
然后將output送入全連接層：
pred = self.linear(output) # pred(150, 1)
得到的預(yù)測值shape為(150, 1)。我們需要將其進(jìn)行還原，變成(5, 30, 1)：
pred = pred.view(self.batch_size, seq_len, -1) # (5, 30, 1)
在用DataLoader處理了數(shù)據(jù)后，得到的input_seq和label的shape分別為：
input_seq(batch_size, seq_len) = input_seq(5, 30)label(batch_size, output_size) = label(5, 1)
由于輸出是輸入右移，我們只需要取pred第二維度（time）中的最后一個數(shù)據(jù)：
pred = pred[:, -1, :] # (5, 1)
這樣，我們就得到了預(yù)測值，然后與label求loss，然后再反向更新參數(shù)即可。
時間序列預(yù)測的一個真實案例請見：PyTorch搭建LSTM實現(xiàn)時間序列預(yù)測（負(fù)荷預(yù)測）
以上就是PyTorch深度學(xué)習(xí)LSTM從input輸入到Linear輸出的詳細(xì)內(nèi)容，更多關(guān)于LSTM input輸入Linear輸出的資料請關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
Python實現(xiàn)學(xué)生管理系統(tǒng)的示例代碼
學(xué)生管理系統(tǒng)是一個常見的應(yīng)用程序，它可以幫助學(xué)校、教育機(jī)構(gòu)或教師管理學(xué)生的信息，本文將介紹如何利用Python開發(fā)一個學(xué)生管理系統(tǒng)，需要的可以參考一下2023-07-07
python區(qū)塊鏈實現(xiàn)簡版網(wǎng)絡(luò)
這篇文章主要為大家介紹了python區(qū)塊鏈實現(xiàn)簡版網(wǎng)絡(luò)的詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪2022-05-05
這篇文章主要為大家詳細(xì)介紹了python實現(xiàn)簡單反彈球游戲，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價值，感興趣的小伙伴們可以參考一下2021-04-04
這篇文章主要為大家詳細(xì)介紹了Python+OpenCV人臉檢測原理及示例，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價值，感興趣的小伙伴們可以參考一下2017-12-12
大家好，本篇文章主要講的是Python提取視頻幀圖片實例代碼，感興趣的同學(xué)趕快來看一看吧，對你有幫助的話記得收藏一下，方便下次瀏覽2021-12-12
Python中隨機(jī)數(shù)生成random庫實戰(zhàn)
本文介紹了Python的random庫,介紹了生成隨機(jī)整數(shù)、浮點數(shù)、序列隨機(jī)抽樣等基本功能,以及設(shè)置隨機(jī)種子、控制概率分布等高級技巧,通過多個實用示例,感興趣的可以了解一下2024-11-11
本指南詳細(xì)講解如何使用Python操作MySQL、Oracle和Microsoft?SQL?Server數(shù)據(jù)庫,涵蓋常用庫、基礎(chǔ)操作、高級功能及完整代碼示例,需要的朋友可以參考下2025-03-03
python SQLAlchemy的Mapping與Declarative詳解
這篇文章主要介紹了python SQLAlchemy的Mapping與Declarative詳解,文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下2019-07-07
王純業(yè)的Python學(xué)習(xí)筆記 下載
這篇文章主要介紹了王純業(yè)的Python學(xué)習(xí)筆記 下載2007-02-02
這篇文章主要介紹了詳解Python字典小結(jié),詳細(xì)的介紹了什么是字典且創(chuàng)建字典和示例，非常具有實用價值，需要的朋友可以參考下2018-10-10