在 pytorch LSTM 上循环

Looping over pytorch LSTM

我正在 pytorch 中训练用于机器翻译的 seq2seq 模型。我想在每个时间步收集细胞状态,同时仍然具有多层和双向性的灵活性,例如,您可以在 pytorch 的 LSTM 模块中找到。

为此,我有以下编码器和前向方法,我在其中循环遍历 LSTM 模块。问题是,模型训练得不是很好。循环终止后,您可以看到使用 LSTM 模块的正常方式,并以此来训练模型。

那么,循环不是执行此操作的有效方法吗?

class encoder(nn.Module):
    def __init__(self, input_dim, emb_dim, hid_dim, n_layers, dropout):
        super().__init__()

        self.input_dim = input_dim
        self.emb_dim = emb_dim
        self.hid_dim = hid_dim
        self.n_layers = n_layers
        self.dropout = dropout

        self.embedding = nn.Embedding(input_dim, emb_dim)

        self.rnn = nn.LSTM(emb_dim, hid_dim, n_layers, dropout = dropout)

        self.dropout = nn.Dropout(dropout)

    def forward(self, src):

        #src = [src sent len, batch size]

        embedded = self.dropout(self.embedding(src))

        #embedded = [src sent len, batch size, emb dim]
        hidden_all = []

        for i in range(len(embedded[:,1,1])):
            outputs, hidden = self.rnn(embedded[i,:,:].unsqueeze(0))
            hidden_all.append(hidden)



        #outputs, hidden = self.rnn(embedded)

        #outputs = [src sent len, batch size, hid dim * n directions]
        #hidden = [n layers * n directions, batch size, hid dim]
        #cell = [n layers * n directions, batch size, hid dim]
        None
        #outputs are always from the top hidden layer

        return hidden

好的,所以修复非常简单,你可以 运行 外面的第一个时间步,得到一个隐藏的元组输入到 LSTM 模块中。