函数介绍

函数描述：通过该函数，用于实现LSTM；
函数声明：

torch.nn.LSTM(self, args, *kwargs)；

参数介绍：通常而言，只需要设置如下三个参数即可：

1. input_size：输入向量的维度
2. hidden_size：隐藏层状态的维度，即隐藏层节点的个数；
3. num_layers：LSTM堆叠的层数，默认是1层；

看下图，输入参数就是：[i0, i1, i2, i3, i4]，input_size为5；而隐藏层为：[h0. h1. h2, h3, h4]，hidden_size=5;
输入数据格式：

1. input(seq_len, batch, input_size)
2. h_0(num_layers * num_directions, batch, hidden_size)
3. c_0(num_layers * num_directions, batch, hidden_size)

对于输入数据，h_0和c_0如果不输入的话，默认做0处理

输出数据格式：

1. output(seq_len, batch, hidden_size * num_directions)
2. h_n(num_layers * num_directions, batch, hidden_size)
3. c_n(num_layers * num_directions, batch, hidden_size)

   使用示例

   这里采用官网提供的实例进行介绍： ```python import torch

import torch.nn as nn # 神经网络模块

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

输入数据x的向量维数10, 设定lstm隐藏层的特征维度20, 此model用2个lstm层。如果是1，可以省略，默认为1)

input = torch.randn(5, 3, 10)

输入的input为，序列长度seq_len=5, 每次取的minibatch大小，batch_size=3, 数据向量维数=10（仍然为x的维度）。每次运行时取3个含有5个字的句子（且句子中每个字的维度为10进行运行）

初始化的隐藏元和记忆元,通常它们的维度是一样的

2个LSTM层，batch_size=3, 隐藏层的特征维度20

h0 = torch.randn(2, 3, 20)

c0 = torch.randn(2, 3, 20)

这里有2层lstm，output是最后一层lstm的每个词向量对应隐藏层的输出,其与层数无关，只与序列长度相关

hn,cn是所有层最后一个隐藏元和记忆元的输出

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

模型的三个输入与三个输出。三个输入与输出的理解见上三输入，三输出

print(output.size(),hn.size(),cn.size()) ```

注意事项

参考文章

pytorch的LSTM参数案例及理解
LSTM入门例子：根据前9年的数据预测后3年的客流（PyTorch实现）