一个RNN Layer如下图所示
假设x的shape是[10, 3, 100]，翻译一下就是，10个单词，每次训练3句话，每个单词用一个100维的tensor来表达
那么对于输入$x_t$来说，$x_t$的shape就是[3 100]
接着再看上面的运算过程，其中hidden len就是memory的维度，假设是20。因此：
$$ begin{align*} h_{t 1} &= x_t @ w_{xh} h_t @ w_{hh}\ &= [3, 100] @ [20, 100]^T [3, 20] @ [20, 100]^T \ &= [3, 20] end{align*} $$
nn.RNN
用代码定义一个RNN Layer，然后查看其参数信息
代码语言：javascript复制import torch
import torch.nn as nn
rnn = nn.RNN(100, 20)
print(rnn._parameters.keys())
print(rnn.weight_ih_l0.shape) # w_{xh} [20, 100]
print(rnn.weight_hh_l0.shape) # w_{hh} [20, 20]
print(rnn.bias_ih_l0.shape) # b_{xh} [20]
print(rnn.bias_hh_l0.shape) # b_{hh} [20]解释上面的代码前先看一下PyTorch中RNN类的参数（参考于PyTorch官网RNN API）
- 必选参数
input_size，指定输入序列中单个样本的尺寸大小，例如可能用一个1000长度的向量表示一个单词，则input_size=1000 - 必选参数
hidden_size，指的是隐藏层中输出特征的大小 - 必选参数
num_layers，指的是纵向的隐藏层个数，一般设置为1~10，default=1
现在上面的代码就很好理解了，nn.RNN(100, 20)中100指的是用一个长度为100的向量表示一个单词，20指的是hidden_size
RNN的forward函数与CNN定义的方式有点不太一样，具体见下图
参数中的$x$不是$x_t$，就是直接把$x=[seq_len, batch, feature_len]$带进去
$h_0$如果不写默认就是0，如果写的话，$h_0$的维度是$[layers, batch, hidden_len]$
看下代码
代码语言：javascript复制import torch
import torch.nn as nn
rnn = nn.RNN(input_size=100, hidden_size=20, num_layers=1)
x = torch.randn(10, 3, 100)
out, h_t = rnn(x, torch.zeros(1, 3, 20))
print(out.shape) # [10, 3, 20]
print(h_t.shape) # [1, 3, 20]每个地方参数的shape都是有关联的，必须要把上面我写的内容看懂了才能理解
$h_t$和$out$很容易搞混，我们先看一个2层的RNN模型
在解释$h_t$和$out$之前要先理解一个概念——时间戳，时间戳是针左右而不是上下，什么意思呢，就是上图是一个两层的RNN，假设这两层的RNN右边分别又各接一层，那这样的左右结构就是时间戳，基于此，给出$h_t$和$out$的定义：
- $h_t$：最后一个时间戳上面所有的memory状态
- $out$：所有时间戳上的最后一个memory状态
而第几个memory是针对层来说的，比方说第一层的memory就是第一个memory，最后一层的memory就是最后一个memory
看下代码
代码语言：javascript复制import torch
import torch.nn as nn
rnn = nn.RNN(input_size=100, hidden_size=20, num_layers=4)
x = torch.randn(10, 3, 100)
out, h_t = rnn(x)
print(out.shape) # [10, 3, 20]
print(h_t.shape) # [4, 3, 20]如果理解了上面$out$和$h_t$的shape，这里的输出也就不难想到了
上面nn.RNN()的定义方式是直接把整个$x$输入，自动完成循环。下面再介绍一种定义RNN的方式，需要手动完成循环
nn.RNNCell
先看一下PyTorch的官方API
参数和nn.RNN大体相似，但是注意input_size的shape是(batch, input_size)，而且hidden_size的shape也是(batch, hidden_size)，这就导致forward也不一样
看下代码
代码语言：javascript复制import torch
import torch.nn as nn
cell1 = nn.RNNCell(100, 20)
x = torch.randn(10, 3, 100)
h1 = torch.zeros(3, 20)
for xt in x:
h1 = cell1(xt, h1)
print(h1.shape) # [3, 20]
上面就就是一层的RNN，用RNNCell的方式，手动循环进行训练
下面在看一个两层的RNN，用RNNCell的方式怎么做
代码语言：javascript复制import torch
import torch.nn as nn
cell1 = nn.RNNCell(100, 30) # 100 -> 30
cell2 = nn.RNNCell(30, 20)
x = torch.randn(10, 3, 100)
h1 = torch.zeros(3, 30)
h2 = torch.zeros(3, 20)
for xt in x:
h1 = cell1(xt, h1)
h2 = cell2(h1, h2)
print(h2.shape) # [3, 20]第一层的作用是将一个100维的输入变为30维的memory输出，然后将输出带入到第二层，第二层的输出是一个20维的memory。最重要的代码是for中的两句话，第一层的输入是xt和memory h1，第二层的输入是第一层的memory h1，以及第二层的memory h2
