RNN详解及 pytorch实现

RNN

标准RNN

在PyTorch中的调用也非常简单，使用 nn.RNN（）即可调用，下面依次介绍其中的参数。
RNN() 里面的参数有
input_size 表示输入 xt 的特征维度
hidden_size 表示输出的特征维度
num_layers 表示网络的层数
nonlinearity 表示选用的非线性激活函数，默认是 ‘tanh’
bias 表示是否使用偏置，默认使用
batch_first 表示输入数据的形式，默认是 False，就是这样形式，(seq, batch, feature)，也就是将序列长度放在第一位，batch 放在第二位
dropout 表示是否在输出层应用 dropout
bidirectional 表示是否使用双向的 rnn，默认是 False。

接着再介绍网络接收的输入和输出。网络会接收一个序列输入xt和记忆输入h0，xt的维度是（seq，batch，feature），分别表示序列长度、批量和输入的特征维度，h0也叫隐藏状态，它的维度是（layersdirection，batch，hidden），分别表示层数乘方向（如果是单向，就是1，如果是双向就是2）、批量和输出的维度。网络会输出output和hn，output表示网络实际的输出，维度是（seq，batch， hiddendirection），分别表示序列长度、批量和输出维度乘上方向，hn表示记忆单元，维度是（layer*direction，batch，hidden），分别表示层数乘方向、批量和输出维度。

• 第一个要注意的地方就是网络的输入和前面讲过的卷积网络有些不同，因为卷积神经网络的输入将batch放在前面，而在循环神经网络中将batch放在中间，当然可以使用 batch_first=True让batch放在前面。
• 第二个要注意的地方就是网络的输出是（seq，batch，hidden*direction），这里direction=1或者2，前面也介绍过，如果是双向的网络结构，相当于网络从左往右计算一次，再从右往左计算一次，这样会有两个结果，将两个结果按最后一维拼接起来，就是上面的结果。
• 第三个要注意的地方就是隐藏状态的网络大小、输入和输出都是（layerdirection，batch，hidden），因为如果网络有多层，那么每一层都有一个新的记忆单元，而双向网络结构在每一层左右会有两个不同的记忆单元，所以维度的第一位是layerdirection。

对于定义好的RNN，可以通过 weight_ih_l0来访问第一层中的$w_{ih}$，另外要访问第二层网络可以使用 weight_ih_l1。对于$w_{hh}$，可以用weight_hh_l0来访问，而 $b_{ih}$ 则可以用bias_ih_l0来访问.当然可以对它进行自定义的初始化，只需要记得这些参数都是Variable，取出它们的data，对它进行自定的初始化即可。

代码

import torch
from torch.autograd import Variable
from torch import nn

# 构造一个序列，长为 6，batch 是 5， 特征是 100
x = Variable(torch.randn(6, 5, 100)) # 这是 rnn 的输入格式
rnn_seq = nn.RNN(100, 200)
# 访问其中的参数
print(rnn_seq.weight_hh_l0) #与h相乘的权重
print(rnn_seq.weight_ih_l0)  #与x相乘的权重
out, h_t = rnn_seq(x) # 使用默认的全 0 隐藏状态

# 自己定义初始的隐藏状态
h_0 = Variable(torch.randn(1, 5, 200))
out, h_t = rnn_seq(x, h_0)
print(out.shape,h_t.shape)
#输出：torch.Size([6, 5, 200]) torch.Size([1, 5, 200])

如果在传入网络的时候不特别注明隐藏状态h0 ，那么初始的隐藏状态默认参数全是0，当然也可以用上面的方式来自定义隐藏状态的初始化。