学习笔记——torch.nn.RNN（）

1. 调用方式

官方文档RNN — PyTorch 1.13 documentation

用于实现RNN层，并可通过传入参数实现多层堆叠（深度循环神经网络）、双向传播（双向循环神经网络）：

示例（包含输入输出格式）：

import torch
import torch.nn as nn
myrnn = nn.RNN(4,3,2,batch_first=True) #input_size,hidden_size,num_layers
print("myrnn:", myrnn)
input = torch.randn(2,3,4) #输入数据集格式(batch_size, sequence_length, input_size(已限定为4))
print("input:", input)
output, h_n = myrnn(input) #output为每个时刻的隐藏状态，格式为(batch_size,sequence_length,hidden_size);h_n为最后时刻的隐藏状态，格式为(num_layers,batch_size,hidden_size)
print("output:", output)
print("h_n:", h_n)

输出：

* hidden_size类似于全连接网络的结点个数

2. 关于batch_first

输入数据集格式（batch_first默认False）：

其中，N=batch_size批量大小，L=sequence_length序列长度，H=input_size输入尺寸。

默认顺序为（sequence_length，batch_size，input_size），与通常batch_size在第一维度有所不同，原因参考MultiHeadAttension源码解析——batch_first参数含义_coder1479的博客-CSDN博客和读PyTorch源码学习RNN（1） - 知乎可知：

“由于RNN是序列模型，只有 t1 时刻计算完成，才能进入 t2 时刻，而"batch"就体现在每个时刻 ti 的计算过程中，图中 t1 时刻将["A", "D"]作为当前时刻的batch数据，t2 时刻将["B", "E"]作为当前时刻的batch数据，可想而知，"A"与"D"在内存中相邻比"A"与"B"相邻更合理，这样取数据时才更高效。” 

实际使用中可将batch_first设置为True，按照（batch_size，sequence_length，input_size）顺序传入参数，此时函数会自动将其转换成默认的顺序（sequence_length，batch_size，input_size），并且在输出结果的时候，再转换回来。