时间戳

首页 > 解决方案 > 在pytorch LSTM上循环

python - 在pytorch LSTM上循环

问题描述

我正在为 pytorch 中的机器翻译训练一个 seq2seq 模型。我想在每个时间步收集细胞状态，同时仍然具有多层和双向的灵活性，例如，您可以在 pytorch 的 LSTM 模块中找到。

为此，我有以下编码器和转发方法，其中我循环 LSTM 模块。问题是，模型训练得不是很好。循环终止后，您可以看到使用 LSTM 模块的正常方式，然后模型训练。

那么，循环不是一种有效的方法吗？

class encoder(nn.Module):
    def __init__(self, input_dim, emb_dim, hid_dim, n_layers, dropout):
        super().__init__()

        self.input_dim = input_dim
        self.emb_dim = emb_dim
        self.hid_dim = hid_dim
        self.n_layers = n_layers
        self.dropout = dropout

        self.embedding = nn.Embedding(input_dim, emb_dim)

        self.rnn = nn.LSTM(emb_dim, hid_dim, n_layers, dropout = dropout)

        self.dropout = nn.Dropout(dropout)

    def forward(self, src):

        #src = [src sent len, batch size]

        embedded = self.dropout(self.embedding(src))

        #embedded = [src sent len, batch size, emb dim]
        hidden_all = []

        for i in range(len(embedded[:,1,1])):
            outputs, hidden = self.rnn(embedded[i,:,:].unsqueeze(0))
            hidden_all.append(hidden)



        #outputs, hidden = self.rnn(embedded)

        #outputs = [src sent len, batch size, hid dim * n directions]
        #hidden = [n layers * n directions, batch size, hid dim]
        #cell = [n layers * n directions, batch size, hid dim]
        None
        #outputs are always from the top hidden layer

        return hidden

标签： pythondeep-learningpytorchlstmseq2seq

解决方案

好的，所以修复很简单，你可以在外面运行第一个时间步，得到一个隐藏的元组输入 LSTM 模块。

推荐阅读