[Pytorch系列-54]：循环神经网络 - torch.nn.GRU（）参数详解

 作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/121645435

---

目录

第1章 GRU基本理论

第2章 torch.nn.GRU类的参数详解

2.1 类的原型

2.2 类的参数：用于构建LSTM神经网络实例

第3章 前向传播输入详解

3.1 前向传播的格式

3.2 input的格式

3.3 h_0的格式

3.4 c_0的格式

第4章 前向传播输出详解

4.1 输出返回值的格式

4.2 output的格式

4.3 h_n的格式

4.4 c_n的格式

---

第1章 GRU基本理论

[人工智能-深度学习-53]：LSTM长短记忆时序模型的简化：门控循环网络GRU模型_文火冰糖（王文兵）的博客-CSDN博客作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客本文网址：目录第1章 前序知识1.1 RNN循环神经网络模型1.2LSTM长短记忆时序模型1.3LSTM模型的缺点第2章GRU模型详解2.1 GRU模型概述2.2 RNN网络结构对比2.3 LSTM网络结构对比2.4GRU网络的结构2.5 GRU网络特点第3章 GRU的反向传播第1章 前序知识1.1 RNN循环神经网络模型[人工智能-深度学习-51...https://blog.csdn.net/HiWangWenBing/article/details/121599096

GRU与LSTM的参数类似，如下以LSTM为基准，删除掉多余的部分就是GRU。

第2章 torch.nn.GRU类的参数详解

2.1 类的原型

LSTM => GRU

 2.2 类的参数：用于构建RGU神经网络实例

input_size: 输入序列的一维向量的长度。

hidden_size: 隐层的输出特征的长度。

num_layers：隐藏层堆叠的高度，用于增加隐层的深度。

bias：是否需要偏置b

batch_first：用于确定batch size是否需要放到输入输出数据形状的最前面。

若为真，则输入、输出的tensor的格式为(batch , seq , feature)

若为假，则输入、输出的tensor的格式为(seq,  batch , feature)

为什么需要该参数呢？

在CNN网络和全连接网络，batch通常位于输入数据形状的最前面 。

而对于具有时间信息的序列化数据，通常需要把seq放在最前面，需要把序列数据串行地输入网络中。

dropout: 默认0 若非0，则为dropout率。
bidirectional：是否为双向LSTM， 默认为否

第3章 前向传播输入详解

3.1 前向传播的格式

lstm (input, (h_0, c_0))

• input：输入序列样本
• h_0：先前的短期状态记忆
• c_0：先期的长期状态记忆

3.2 input的格式

（1）当batch_first=false（默认）

input的形状为（seq_len,  batch,  input_size）

（2）当batch_first=true

input的形状为（batch, seq_len,  input_size）

（3）参数解读

• batch：batch的长度
• input_size：输入样本的向量长度。
• seq_len：输入序列的长度，一次可以串行输入多个输入样本

3.3 h_0的格式

若h_0和c_0不提供，则默认为全0 .

h_0是格式为: (num_layers * num_directions, batch, hidden_size) 的tensor

• num_directions：由隐层的层数决定
• batch：batch
• hidden_size：隐层输出特征的长度

3.4 c_0的格式

若c_0不提供时，则默认为全0 .

c_0是格式为: (num_layers * num_directions, batch, hidden_size) 的tensor

• num_directions：由隐层的层数决定
• batch：batch
• hidden_size：隐层输出特征的长度

第4章 前向传播输出详解

4.1 输出返回值的格式

output, (h_n, c_n) = lstm (input, (h_0, c_0))

4.2 output的格式

（1）当batch_first=false（默认）

input的形状为（seq_len,  batch,  num_layers * num_directions,）

（2）当batch_first=true

input的形状为（batch, seq_len,  num_layers * num_directions,）

（3）参数解读

• batch：batch的长度
• num_directions：取决于堆叠的长度
• seq_len：输入序列的长度，输出的长度与输入序列的长度一致。

4.3 h_n的格式

h_0是格式为: (num_layers * num_directions, batch, hidden_size) 的tensor

• num_directions：由隐层的层数决定
• batch：batch
• hidden_size：隐层输出特征的长度

4.4 c_n的格式

c_0是格式为: (num_layers * num_directions, batch, hidden_size) 的tensor

• num_directions：由隐层的层数决定
• batch：batch
• hidden_size：隐层输出特征的长度

---

作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/121645435