时间戳

首页 > 解决方案 > pytorch中的LSTM/RNN前向方法与训练模型的关系

pytorch - pytorch中的LSTM/RNN前向方法与训练模型的关系

问题描述

我对神经网络还很陌生，因此对于以下内容的任何含糊之处，我深表歉意。

在语言任务的“标准”LSTM 实现中，我们有以下内容（对于非常粗略的草图感到抱歉）：

class LSTM(nn.Module):
    def __init__(*args):
    ...

    def forward(self, input, states):
         
        lstn_in = self.model['embed'](input)
        lstm_out, hidden = self.model['lstm'](lstm_in,states)

        return lstm_out, hidden

稍后，我们在训练步骤中调用此模型：

def train(*args):
      
    for epoch in range(epochs):
        ....
        *init_zero_states
        ...
        out, states = model(input, states)
        ...
    return model

让我们说，我有 3 个句子作为输入：

sents = [[The, sun, is, shiny],
 [The, beach, was, very, windy],
 [Computer, broke, down, today]]

model = train(LSTM, sents)

所有句子中的所有单词都被转换为嵌入并加载到模型中。

现在的问题：

  1. self.model['lstm'] 是否遍历所有文章中的所有单词并在每个单词之后生成一个输出？还是每一句话？

  2. 模型如何区分这 3 个句子，例如在获得“The”、“sun”、“is”、“shiny”之后，“lstm”中的某些内容（例如状态）会重置并重新开始？

  3. 训练步骤中的“输出”out, states = model(input, states)是运行所有 3 个句子后的输出，因此是所有 3 个句子的组合“信息”？

谢谢！

标签： pytorchlstmrecurrent-neural-network

解决方案

在 Pytorch 中使用 LSTM 时，通常会使用该nn.LSTM函数。这是一个简单的示例，然后解释了内部发生的情况：

class Model(nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        
        self.embedder = nn.Embedding(voab_size, embed_size)

        self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True)
        self.fc = nn.Linear(hidden_size, output_size)
        self.softmax = nn.Softmax(dim=1)

    def forward(self, x):
        x = self.embedder(x)
        
        # every time you pass a new sentence into the model you need to create
        # a new hidden-state (the LSTM requires, unlike RNNs, two hidden-states in a tuple)

        hidden = (torch.zeros(num_layers, batch_size, hidden_size), torch.zeros(num_layers, batch_size, hidden_size))
        x, hidden = self.lstm(x, hidden)
        
        # x contains the output states of every timestep, 
        # for classifiction we mostly just want the last one
        x = x[:, -1]

        x = self.fc(x)
        x = self.softmax(x)
        return x

因此，在查看该nn.LSTM函数时，您会看到所有 N 个嵌入的单词一次都传递给它，并且您将所有 N 个输出（每个时间步一个）作为输出。这意味着在 lstm 函数内部，它遍历句子嵌入中的所有单词。我们只是在代码中看不到这一点。它还返回每个时间步的隐藏状态，但您不必进一步使用它。在大多数情况下，您可以忽略它。

作为伪代码：

def lstm(x):
    hiddenstates = init_with_zeros()
    outputs, hiddenstates = [], []
    for e in x:
        output, hiddenstate = neuralnet(e, hiddenstate)
    
        outputs.append(output)
        hiddenstates.append(hiddenstate)

    return outputs, hiddenstates

sentence = ["the", "sun", "is", "shiny"]
sentence = embedding(sentence)

outputs, hiddenstates = lstm(sentence)

推荐阅读