pytorch 中 num_layers = 2 的 1 个 LSTM 和 2 个 LSTM 之间的区别
Posted
技术标签:
【中文标题】pytorch 中 num_layers = 2 的 1 个 LSTM 和 2 个 LSTM 之间的区别【英文标题】:Difference between 1 LSTM with num_layers = 2 and 2 LSTMs in pytorch 【发布时间】:2018-08-19 20:01:54 【问题描述】:我是深度学习的新手,目前正在使用 LSTM 进行语言建模。我正在查看 pytorch 文档并被它弄糊涂了。
如果我创建一个
nn.LSTM(input_size, hidden_size, num_layers)
其中 hidden_size = 4 和 num_layers = 2,我想我会有这样的架构:
op0 op1 ....
LSTM -> LSTM -> h3
LSTM -> LSTM -> h2
LSTM -> LSTM -> h1
LSTM -> LSTM -> h0
x0 x1 .....
如果我这样做
nn.LSTM(input_size, hidden_size, 1)
nn.LSTM(input_size, hidden_size, 1)
我认为网络架构与上面的完全一样。我错了吗?如果是,这两者有什么区别?
【问题讨论】:
【参考方案1】:多层 LSTM 更好地称为堆叠 LSTM,其中多层 LSTM 相互堆叠。
你的理解是正确的。以下两种堆叠 LSTM 的定义相同。
nn.LSTM(input_size, hidden_size, 2)
和
nn.Sequential(OrderedDict([
('LSTM1', nn.LSTM(input_size, hidden_size, 1),
('LSTM2', nn.LSTM(hidden_size, hidden_size, 1)
]))
在这里,输入被馈送到 LSTM 的最低层,然后最低层的输出被转发到下一层,依此类推。请注意,最低 LSTM 层的输出大小和 LSTM 层的其余输入大小为hidden_size
。
但是,您可能已经看到人们通过以下方式定义堆叠 LSTM:
rnns = nn.ModuleList()
for i in range(nlayers):
input_size = input_size if i == 0 else hidden_size
rnns.append(nn.LSTM(input_size, hidden_size, 1))
人们有时使用上述方法的原因是,如果您使用前两种方法创建堆叠 LSTM,则无法获得每个单独层的隐藏状态。查看 LSTM 在 PyTorch 中返回的内容。
因此,如果您想拥有中间层的隐藏状态,则必须将每个单独的 LSTM 层声明为单个 LSTM,并通过循环来模拟多层 LSTM 操作。例如:
outputs = []
for i in range(nlayers):
if i != 0:
sent_variable = F.dropout(sent_variable, p=0.2, training=True)
output, hidden = rnns[i](sent_variable)
outputs.append(output)
sent_variable = output
最后,outputs
将包含每个 LSTM 层的所有隐藏状态。
【讨论】:
感谢您的澄清。您知道每种方法的优缺点是什么吗? @user3828311 你能在这个主题上发布另一个关于 SO 的问题吗?那我可以回答了。 只是想知道你能否澄清outputs
这个词?它是否也包括单元状态或只是隐藏状态?
为了澄清,“最底层的输出被转发到下一层,依此类推”,这实际上意味着取上一层的隐藏状态(乘以dropout
)下一层的输入,参考官方文档。以上是关于pytorch 中 num_layers = 2 的 1 个 LSTM 和 2 个 LSTM 之间的区别的主要内容,如果未能解决你的问题,请参考以下文章
python - 如何在pytorch上实现stacked rnn (num layers > 1)?
将 GRU 层从 PyTorch 转换为 TensorFlow