LSTM和GRU的介绍以及Pytorch源码解析
介绍一下LSTM模型的结构以及源码，用作自己复习的材料。
LSTM模型所对应的源码在：\PyTorch\Lib\site-packages\torch\nn\modules\RNN.py文件中。
上次上一篇文章介绍了RNN序列模型，但是RNN模型存在比较严重的梯度爆炸和梯度消失问题。
本文介绍的LSTM模型解决的RNN的大部分缺陷。
首先展示LSTM的模型框架：
下面是LSTM模型的数学推导公式：
表示
时刻的隐藏状态，
表示时刻的记忆细胞状态，
表示时刻的输入，
表示在时间
的隐藏状态或在时间
的初始隐藏状态。
分别是输入门、遗忘门、单元门和输出门。
这张图片比较好的介绍了各个门之间的交互关系以及输入输出，大家可以放大看一下。
接下来展示GRU的框架模型：
下面是GRU的数学推导公式：
表示时刻的隐藏状态，表示时刻的输入，表示在时间的隐藏状态或在时间的初始隐藏状态。
分别表示重置门更新门和新建门
上面的图片可以更直观的看到GRU中是如何迭代的。
接下来我们看一下源码中LSTM和GRU类的初始化（只介绍几个重要的参数）：
torch.nn.LSTM(self, input_size, hidden_size, num_layers=1,
bias=True, batch_first=False, dropout=0.0,
bidirectional=False, proj_size=0, device=None,
dtype=None)torch.nn.GRU(self, input_size, hidden_size, num_layers=1,
bias=True, batch_first=False, dropout=0.0,
bidirectional=False, device=None, dtype=None)- input_size：输入数据中的特征数（可以理解为嵌入维度 embedding_dim）。
- hidden_size：处于隐藏状态 h 的特征数（可以理解为输出的特征维度）。
- num_layers：代表着RNN的层数，默认是1（层），当该参数大于零时，又称为多层RNN。
- bidirectional：即是否启用双向LSTM（GRU），默认关闭。
LSTM与GRU都是特殊的RNN，因此输入输出可以参考的上一篇介绍RNN的文章，在这里直接进行代码举例。
lstm1 = nn.LSTM(input_size=20,hidden_size=40,num_layers=4,bidirectional=True)
lstm2 = nn.LSTM(input_size=20,hidden_size=40,num_layers=4,bidirectional=False)
gru1 = nn.GRU(input_size=20,hidden_size=25,num_layers=4,bidirectional=True)
gru2 = nn.GRU(input_size=20,hidden_size=25,num_layers=4,bidirectional=False)
tensor1 = torch.randn(5,10,20) # (batch_size * seq_len * emb_dim)
tensor2 = torch.randn(5,10,20) # (batch_size * seq_len * emb_dim)
out_lstm1,(hn, cn) = lstm1(tensor1) # (batch_size * seq_len * (hidden_size * bidirectional))
out_lstm2,(hn, cn) = lstm2(tensor2) # (batch_size * seq_len * (hidden_size * bidirectional))
out_gru1,h_n = gru1(tensor1) # (batch_size * seq_len * (hidden_size * bidirectional))
out_gru2,h_n = gru2(tensor1) # (batch_size * seq_len * (hidden_size * bidirectional))
print(out_lstm1.shape) # torch.Size([5, 10, 80])
print(out_lstm2.shape) # torch.Size([5, 10, 40])
print(out_gru1.shape) # torch.Size([5, 10, 50])
print(out_gru2.shape) # torch.Size([5, 10, 25])维度已经在注释中给大家标注上了！