将循环层附加到具有不同隐藏大小的 PyTorch LSTM 模型

Question

我正在使用 PyTorch 开发用于序列分析的 BI-LSTM 模型。我正在使用torch.nn.LSTM. 使用该模块，您可以拥有多个层，只需传递一个参数num_layers作为层数（例如，num_layers=2）。然而，它们都是相同的hidden_size，这对我来说部分好，我只是想让它们都一样，hidden_size 但最后一层的大小不同。基本示例如下：rnn = nn.LSTM(input_size=10, hidden_size=20, num_layers=2)inp = torch.randn(5, 3, 10)h0 = torch.randn(2, 3, 20)c0 = torch.randn(2, 3, 20)output, (hn, cn) = rnn(inp, (h0, c0))输出昏暗为 ( 5, 3,20)一个解决方案（但对我不利）是实现额外的模型，该模型输出我需要的维度并从第一个模型中获取输入，例如：rnn_two = nn.LSTM(input_size=20, hidden_size=2)output2, _ = rnn_two(output)但是，我不想这样做，因为我使用并行化模型DataParallel，所以我需要全部成为一个包。我希望找到类似于 keras 的东西，例如：rnn.add(LSTM, hidden_size=2)我检查了LSTM 源代码，但找不到我需要的。有什么建议？

Answer 1

如果我没记错的话，可以这样做：

import torch.nn as nn

import torch.nn.functional as F

class RnnWith2HiddenSizesModel(nn.Module):

    def __init__(self):

        super(RnnWith2HiddenSizesModel, self).__init__()

        self.rnn = nn.LSTM(input_size=10, hidden_size=20, num_layers=2)

        self.rnn_two = nn.LSTM(input_size=20, hidden_size=2)

    def forward(self, inp, hc):

        output, _ = self.rnn(inp, hc)

        output2, _ = self.rnn_two(output)

        return output2

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

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

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

rnn = RnnWith2HiddenSizesModel()

output = RnnWith2HiddenSizesModel()(inp, (h0, c0))

tensor([[[-0.0305,  0.0327],

     [-0.1534, -0.1193],

     [-0.1393,  0.0474]],

    [[-0.0370,  0.0519],

     [-0.2081, -0.0693],

     [-0.1809,  0.0826]],

    [[-0.0561,  0.0731],

     [-0.2307, -0.0229],

     [-0.1780,  0.0901]],

    [[-0.0612,  0.0891],

     [-0.2378,  0.0164],

     [-0.1760,  0.0929]],

    [[-0.0660,  0.1023],

     [-0.2176,  0.0508],

     [-0.1611,  0.1053]]], grad_fn=<CatBackward>)

Answer 2

尽管@Mikhail Berlinkov 的回答按需要工作这一事实，但它并没有推广到一般情况（甚至在问题中都没有要求），为此我想提出第二个解决方案：

import torch

import torch.nn as nn

import torch.nn.functional as F

from functools import reduce

class RNNModel(nn.Module):

    def __init__(self, *models):

        super(RNNModel, self).__init__()

        self.models = models

    def forward(self, inp):

        return reduce(lambda arg, model: model(arg, None)[0], self.models, inp)

并且可以称为：

rnn = nn.LSTM(input_size=10, hidden_size=20, num_layers=2)

rnn_two = nn.LSTM(input_size=20, hidden_size=2)

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

rnn_model = RNNModel(rnn, rnn_two)

output = rnn_model(inp)

output.shape等于预期（即，5,3,2）