Блог

Не мог бы кто-нибудь объяснить мне, пожалуйста, приведенный ниже код:

 import torch
import torch.nn as nn

input = torch.randn(5, 3, 10)
h0 = torch.randn(2, 3, 20)
c0 = torch.randn(2, 3, 20)

rnn = nn.LSTM(10,20,2)

output, (hn, cn) = rnn(input, (h0, c0))
print(input)
 

При вызове rnn rnn(input, (h0, c0)) мы привели аргументы h0 и c0 в круглых скобках. Что это должно означать? если (h0, c0) представляет одно значение, то что это за значение и какой третий аргумент передается здесь?
Однако в строке rnn = nn.LSTM(10,20,2) мы передаем аргументы в функции LSTM без парантезиса.
Может ли кто-нибудь объяснить мне, как работает этот вызов функции?

Назначение rnn = nn.LSTM(10, 20, 2) создает экземпляр нового nn.Module с использованием nn.LSTM класса. Это первые три аргумента input_size (здесь 10 ), hidden_size (здесь 20 ) и num_layers (здесь 2 ).

С другой стороны rnn(input, (h0, c0)) , это соответствует фактическому вызову экземпляра класса, i.e. запуск __call__ которого примерно эквивалентен forward функции этого модуля. __call__ Метод nn.LSTM принимает два параметра: input (фигурный (sequnce_length, batch_size, input_size) и кортеж из двух тензоров (h_0, c_0) (оба имеют форму (num_layers, batch_size, hidden_size) в базовом случае использования nn.LSTM )

Пожалуйста, обратитесь к документации PyTorch всякий раз, когда вы используете встроенные модули, вы найдете точное определение списка параметров (аргументы, используемые для инициализации экземпляра класса), а также спецификации ввода/вывода (при выводе с помощью указанного модуля).

Вы можете быть смущены обозначением, вот небольшой пример, который может помочь:

• кортеж в качестве входных данных:

   def fn1(x, p):
      a, b = p # unpack input
      return a*x   b
  
  >>> fn1(2, (3, 1))
  >>> 7
   

• кортеж в качестве вывода

   def fn2(x):
      return x, (3*x, x**2) # actually output is a tuple of int and tuple 
  
  >>> x, (a, b) = fn2(2) # unpacking
  (2, (6, 4))
  
  >>> x, a, b
  (2, 6, 4)