网站模板工具贵阳seo网站推广

1. 输入输出

1. 输入张量

   • 默认形状：(seq_len, batch_size, input_size)
   • 若 batch_first=True：(batch_size, seq_len, input_size)
   • 含义：序列长度 × 批大小 × 每步特征维度

2. 可选初始隐状态

   • 形状：(num_layers * num_directions, batch_size, hidden_size)
   • 默认为全零张量。如果要自定义，需提供此形状的 h0。

3. 输出
   调用 output, h_n = gru(x, h0) 返回两部分：

   • output：所有时间步的隐藏状态序列
     • 形状：
       • 默认：(seq_len, batch_size, num_directions * hidden_size)
       • batch_first=True：(batch_size, seq_len, num_directions * hidden_size)
     • 含义：每个时间步的隐藏状态，可以直接接全连接或其它后续层。
   • h_n：最后一个时间步的隐藏状态
     • 形状：(num_layers * num_directions, batch_size, hidden_size)
     • 含义：每一层（及方向）在序列末尾的隐藏状态，常用于初始化下一个序列或分类任务。

2. 构造函数参数详解

nn.GRU(input_size: int,hidden_size: int,num_layers: int = 1,bias: bool = True,batch_first: bool = False,dropout: float = 0.0,bidirectional: bool = False
)

参数	类型	含义
input_size	int	输入特征维度，即每步输入向量的大小。
hidden_size	int	隐状态（隐藏层）维度，也决定输出特征维度（单向时即 hidden_size）。
num_layers	int	堆叠的 GRU 层数（深度），默认为 1。
bias	bool	是否使用偏置；当为 False 时，所有线性变换均无 bias。
batch_first	bool	是否将批量维放到第二维（True），默认序列维在最前（False）。
dropout	float	除最后一层外，每层输出后使用的 Dropout 比例；仅在 num_layers>1 时生效。
bidirectional	bool	是否使用双向 RNN；若 True，则隐状态和输出维度翻倍。

3. 输出含义详解

• output

  • 大小：[..., num_directions * hidden_size]
  • 如果 bidirectional=False，num_directions=1；否则 =2。
  • output[t, b, :]（或在 batch_first 模式下 output[b, t, :]）表示第 t 步第 b 个样本的隐藏状态。

• h_n

  • 大小：(num_layers * num_directions, batch_size, hidden_size)
  • 维度索引含义：
    • 维度 0：层数 × 方向（例如 3 层双向时索引 0–5，对应层1正向、层1反向、层2正向…）
    • 维度 1：批内样本索引
    • 维度 2：隐藏状态向量

4. 使用注意事项

1. batch_first 的选择

   • 若后续直接接全连接层、BatchNorm 等，更习惯 batch_first=True；否则可用默认格式节省一次转置。

2. 双向与输出维度

   • bidirectional=True 时，output 的最后一维和 h_n 中 hidden_size 均会翻倍，需要相应修改下游网络维度。

3. Dropout 的生效条件

   • 只有在 num_layers > 1 并且 dropout > 0 时，才会在各层间插入 Dropout；单层时不会应用。

4. 初始隐状态

   • 默认为零。若在两个连续序列之间保持状态（stateful RNN），可将上一次的 h_n 作为下一次的 h0。

5. PackedSequence

   • 对变长序列，可用 torch.nn.utils.rnn.pack_padded_sequence 输入，输出再用 pad_packed_sequence 恢复，对长短不一的序列批处理很有用。

6. 性能与稳定性

   • GRU 相比 LSTM 参数更少、速度稍快，但有时在长期依赖或梯度流问题上略不如 LSTM。
   • 可在多层 RNN 之间加 LayerNorm 或 Residual 连接，提升深度模型的收敛和稳定性。

简单示例

import torch, torch.nn as nn# 定义单层单向 GRU
gru = nn.GRU(input_size=10, hidden_size=20, num_layers=2,batch_first=True, dropout=0.1, bidirectional=True)# 输入：batch=8, seq_len=15, features=10
x = torch.randn(8, 15, 10)# 默认 h0 为零
output, h_n = gru(x)
print(output.shape)  # (8, 15, 2*20)  双向，所以 hidden_size*2
print(h_n.shape)     # (2*2, 8, 20)  num_layers=2, num_directions=2