一个实例搞懂LSTM，多层LSTM和双向LSTM，附torch代码

# 首先导入LSTM需要的相关模块

import torch
import torch.nn as nn           


rnn = nn.LSTM(10, 25, 4,bidirectional=True)
# torch.nn.lstm(input_size,hidden_size,num_layers,bias,batch_first,dropout,bidirectional)
	# 主要参数
	# input_size – 输入的特征维度
	# hidden_size – 隐状态的特征维度，和输出向量维度一样
	# num_layers – 层数（和时序展开要区分开）
	# bias – 如果为False，那么LSTM将不会使用偏置，默认为True。
	# batch_first – 如果为True，那么输入和输出Tensor的形状为(batch, seq_len, input_size)
	# dropout – 如果非零的话，将会在RNN的输出上加个dropout，最后一层除外。
	# bidirectional – 如果为True，将会变成一个双向RNN，默认为False

input = torch.randn(5, 3, 10)
# input (seq_len, batch, input_size)
# seq_len序列长度表示每个batch输入多少数据比如文本的长度，5
# batch表示把数据分成了batch批,3
# input_size为样本特征维度比如每个单词的向量表示,10


h0 = torch.randn(8, 3, 25)
c0 = torch.randn(8, 3, 25)
# hn是一个三维张量，第一维是num_layers*num_directions，bidirectional为2时，num_directions表示是否为双向LSTM；
# 第二维表示一批的样本数量；
# 第三维表示隐藏层特征维度。
# c_n与h_n一致，初始化的隐藏元和记忆元,通常它们的维度是一样的



output, (hn, cn) = rnn(input, (h0, c0))
# output(seq_len, batch, hidden_size * num_directions)
# 第一维表示seq_len
# 第二维表示batch
# 第三维hidden_size隐藏层大小，双向则二倍，单向则等价于隐藏层大小

观察输出

print(output.size(),hn.size(),cn.size())

 torch.Size([5, 3, 50]) torch.Size([8, 3, 25]) torch.Size([8, 3, 25])