快捷導(dǎo)航

Pytorch 的 LSTM 模型的示例教程

更新時(shí)間：2023年06月01日 15:30:45 作者：許野平

本文給大家介紹了Pytorch 的 LSTM 模型的示例教程，文中結(jié)合實(shí)例代碼給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友參考下吧

1. 代碼

完整的源代碼：

import torch
from torch import nn
# 定義一個(gè)LSTM模型
class LSTM(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers, output_size):
        super(LSTM, self).__init__()
        self.hidden_size = hidden_size
        self.num_layers = num_layers
        self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True)
        self.fc = nn.Linear(hidden_size, output_size)
    def forward(self, x):
        # 初始化隱藏狀態(tài)h0, c0為全0向量
        h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(x.device)
        c0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(x.device)
        # 將輸入x和隱藏狀態(tài)(h0, c0)傳入LSTM網(wǎng)絡(luò)
        out, _ = self.lstm(x, (h0, c0))
        # 取最后一個(gè)時(shí)間步的輸出作為L(zhǎng)STM網(wǎng)絡(luò)的輸出
        out = self.fc(out[:, -1, :])
        return out
# 定義LSTM超參數(shù)
input_size = 10   # 輸入特征維度
hidden_size = 32  # 隱藏單元數(shù)量
num_layers = 2    # LSTM層數(shù)
output_size = 2   # 輸出類(lèi)別數(shù)量
# 構(gòu)建一個(gè)隨機(jī)輸入x和對(duì)應(yīng)標(biāo)簽y
x = torch.randn(64, 5, 10)  # [batch_size, sequence_length, input_size]
y = torch.randint(0, 2, (64,))  # 二分類(lèi)任務(wù)，標(biāo)簽為0或1
# 創(chuàng)建LSTM模型，并將輸入x傳入模型計(jì)算預(yù)測(cè)輸出
lstm = LSTM(input_size, hidden_size, num_layers, output_size)
pred = lstm(x)  # [batch_size, output_size]
# 定義損失函數(shù)和優(yōu)化器，并進(jìn)行模型訓(xùn)練
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(lstm.parameters(), lr=1e-3)
num_epochs = 100
for epoch in range(num_epochs):
    # 前向傳播計(jì)算損失函數(shù)值
    pred = lstm(x)  # 在每個(gè)epoch中重新計(jì)算預(yù)測(cè)輸出
    loss = criterion(pred.squeeze(), y)
    # 反向傳播更新模型參數(shù)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    # 輸出每個(gè)epoch的訓(xùn)練損失
    print(f"Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}")

2. 模型結(jié)構(gòu)分析

# 定義一個(gè)LSTM模型
class LSTM(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers, output_size):
        super(LSTM, self).__init__()
        self.hidden_size = hidden_size
        self.num_layers = num_layers
        self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True)
        self.fc = nn.Linear(hidden_size, output_size)
    def forward(self, x):
        # 初始化隱藏狀態(tài)h0, c0為全0向量
        h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(x.device)
        c0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(x.device)
        # 將輸入x和隱藏狀態(tài)(h0, c0)傳入LSTM網(wǎng)絡(luò)
        out, _ = self.lstm(x, (h0, c0))
        # 取最后一個(gè)時(shí)間步的輸出作為L(zhǎng)STM網(wǎng)絡(luò)的輸出
        out = self.fc(out[:, -1, :])
        return out

上述代碼定義了一個(gè)LSTM類(lèi)，這個(gè)類(lèi)可以用于完成一個(gè)基于LSTM的序列模型的搭建。

在初始化函數(shù)中，輸入的參數(shù)分別是輸入數(shù)據(jù)的特征維度（input_size），隱藏層的大?。╤idden_size），LSTM層數(shù)（num_layers）以及輸出數(shù)據(jù)的維度（output_size）。這里使用batch_first=True表示輸入數(shù)據(jù)的第一個(gè)維度是batch size，第二個(gè)維度是時(shí)間步長(zhǎng)和特征維度。

在forward函數(shù)中，首先初始化了LSTM網(wǎng)絡(luò)的隱藏狀態(tài)為全0向量，并且將其移動(dòng)到與輸入數(shù)據(jù)相同的設(shè)備上。然后調(diào)用了nn.LSTM函數(shù)進(jìn)行前向傳播操作，并且通過(guò)fc層將最后一個(gè)時(shí)間步的輸出映射為輸出的數(shù)據(jù)，最后進(jìn)行了返回。

3. 代碼詳解

        # 將輸入x和隱藏狀態(tài)(h0, c0)傳入LSTM網(wǎng)絡(luò)
        out, _ = self.lstm(x, (h0, c0))

這行代碼是利用 PyTorch 自帶的 LSTM 模塊處理輸入張量 x（形狀為 [batch_size, sequence_length, input_size]）并得到 LSTM 層的輸出 out 和最終狀態(tài)。其中，h0 是 LSTM 層的初始隱藏狀態(tài)，c0 是 LSTM 層的初始細(xì)胞狀態(tài)。

在代碼中，調(diào)用了 self.lstm(x, (h0, c0)) 函數(shù)，該函數(shù)的返回值有兩個(gè)：第一個(gè)返回值是 LSTM 層的輸出 out，其包含了所有時(shí)間步上的隱狀態(tài)；第二個(gè)返回值是一個(gè)元組，包含了最后一個(gè)時(shí)間步的隱藏狀態(tài)和細(xì)胞狀態(tài)，但我們用“_”丟棄了它。

因?yàn)閷?duì)于許多深度學(xué)習(xí)任務(wù)來(lái)說(shuō)，只需要輸出序列的最后一個(gè)時(shí)間步的隱藏狀態(tài)，而不需要每個(gè)時(shí)間步上的隱藏狀態(tài)。因此，這里我們只保留 LSTM 層的輸出 out，而忽略了 LSTM 層最后時(shí)間步的狀態(tài)。

最后，out 的形狀為 [batch_size, sequence_length, hidden_size]，其中 hidden_size 是 LSTM 層輸出的隱藏狀態(tài)的維度大小。

x = torch.randn(64, 5, 10)

這行代碼創(chuàng)建了一個(gè)形狀為 (64, 5, 10) 的張量 x，它包含 64 個(gè)樣本，每個(gè)樣本具有 5 個(gè)特征維度和 10 個(gè)時(shí)間步。該張量的值是由均值為 0，標(biāo)準(zhǔn)差為 1 的正態(tài)分布隨機(jī)生成的。

torch.randn() 是 PyTorch 中生成服從標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)數(shù)的函數(shù)。它的輸入是張量的形狀，輸出是符合正態(tài)分布的張量。在本例中，形狀為 (64, 5, 10) 表示該張量包含 64 個(gè)樣本，每個(gè)樣本包含 5 個(gè)特征維度和 10 個(gè)時(shí)間步，每個(gè)元素都是服從標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)數(shù)。這種方式生成的隨機(jī)數(shù)可以用于初始化模型參數(shù)、生成噪音數(shù)據(jù)等許多深度學(xué)習(xí)應(yīng)用場(chǎng)景。

y = torch.randint(0, 2, (64,))  # 二分類(lèi)任務(wù)，標(biāo)簽為0或1

y = torch.randint(0, 2, (64,)) 是使用 PyTorch 庫(kù)中的 randint() 函數(shù)來(lái)生成一個(gè)64個(gè)元素的張量 y，張量的每個(gè)元素都是從區(qū)間 [0, 2) 中隨機(jī)生成的整數(shù)。

具體而言，torch.randint() 函數(shù)包含三個(gè)參數(shù)，分別是 low、high 和 size。其中，low 和 high 分別表示隨機(jī)生成整數(shù)的區(qū)間為 [low, high)，而 size 參數(shù)指定了生成的張量的形狀。

在上述代碼中，size=(64,) 表示生成的張量 y 的形狀為 64x1，即一個(gè)包含 64 個(gè)元素的一維張量，并且每個(gè)元素的值都在 [0, 2) 中隨機(jī)生成。這種形式的張量通常用于分類(lèi)問(wèn)題中的標(biāo)簽向量。在該任務(wù)中，一個(gè)標(biāo)簽通常由一個(gè)整數(shù)表示，因此可以采用使用 randint() 函數(shù)生成一個(gè)長(zhǎng)度為標(biāo)簽類(lèi)別數(shù)的一維張量，其每個(gè)元素的取值為 0 或 1，表示對(duì)應(yīng)類(lèi)別是否被選中。

# 創(chuàng)建LSTM模型，并將輸入x傳入模型計(jì)算預(yù)測(cè)輸出
lstm = LSTM(input_size, hidden_size, num_layers, output_size)
pred = lstm(x)  # [batch_size, output_size]

通過(guò)定義的LSTM類(lèi)創(chuàng)建了一個(gè)LSTM模型，并將輸入x傳入模型進(jìn)行前向計(jì)算，得到了一個(gè)預(yù)測(cè)輸出pred，其形狀為[64, output_size]，其中output_size是在LSTM初始化函數(shù)中指定的輸出數(shù)據(jù)的維度。

這段代碼演示了如何使用已經(jīng)構(gòu)建好的代碼搭建并訓(xùn)練一個(gè)基于LSTM的序列模型，并且展示了其中的一些關(guān)鍵步驟，包括數(shù)據(jù)輸入、模型創(chuàng)建以及前向計(jì)算。

到此這篇關(guān)于Pytorch 的 LSTM 模型的簡(jiǎn)單示例的文章就介紹到這了,更多相關(guān)Pytorch LSTM 模型內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: