【pytorch】nn.LSTM 模块

nn.LSTM模块参数：
Args:

• input_size: 输入值的维度
• hidden_size: 隐藏层的维度
• num_layers: 堆叠多个lstm层数，默认值：1
• bias: False则 b_ih=0 和 b_hh=0。默认值：True
• batch_first: 输入的数据是否构成（seq_len, batch, input_size）结构。默认值：False
• dropout: 除最后一层，每一层的输出都进行dropout，默认值: 0
• bidirectional:True则为双向lstm，默认值：False

输入数据格式：input,（h_0,c_0）

• input：三维张量（seq_len, batch, input_size），所以输入数据已经决定了LSTM模型中的三个变量。由于处理数据的时候输入数据维度多为（batch,seq_len, input_size），如果输入数据维度已经处理成为（seq_len, batch, input_size），则需要把batch_first置为true。
• h_0,c_0：LSTM模型的初始输出门的输出和神经元状态，两个默认为0。

LSTM单元接受的输入值必是3维的张量(Tensors)

1. 第一维是序列（seq_len）结构，即序列的个数，表示一个明确分割单位长度。例如句子是数据，则对应句子的长度；例如股票是数据，这表示特定时间单位内，有多少条数据。
2. 第二维是每次输入多少个单位数据（batch），也就是一次性输入多少条句子，或者多少是个时间单位股票数据。
3. 第三维是每个元素维度（input_size），也就是句子中的单词用多少维向量来表示，或者每个交易日股票数据使用多少个值（比如最低价，最高价，均价等）。

输出数据格式：output, (h_n, c_n)

• output ：（seq_len, batch, num_directions * hidden_size）,num_directions仅在bidirectional（默认为false,使用双向RNN）为true的时候才会被置为2，否则为1
• h_n、c_n：（num_layers * num_directions, batch, hidden_size）,LSTM模型的最终输出门的输出和神经元状态