引言

本文是使用pytorch对循环神经网络RNN(Recurrent Neural Network)的代码实现，作为之前介绍RNN原理的一个代码补充。
RNN原理介绍
本文代码相关介绍相对较为详细，也为自己的一个学习过程，对RNN的理解还是比较浅显，有错误的地方欢迎指正。

简述RNN结构

详细原理介绍可以参考上述链接，此处简述RNN结构实为方便理解后面代码分析部分。
单向循环神经网络
- RNN的应用场景一般是当前输入与前一个输入是有联系的，所以下图x部分的参数会与X_t-1有关
  - x：数据输入
  - u：输入层到隐藏层的权重
  - s：隐藏层的输出结果
  - v：隐藏层到输出层的权重
  - w：上一次的值S_t-1作为这一次输入的权重矩阵
  - 关于数学计算公式
双向循环神经网络
- 单项循环神经网络只能作为与前一个数据建立连接，双向循环神经网络则可以同后一个数据建立连接
- 当然这个隐藏层只有一层，也可以多加几层构成深度循环神经网络

RNN实例

关于实现RNN的实例，我觉得有一个比较简单但是又比较符合RNN使用场景的序列数据例子，那就是正弦和余弦函数。
- 该例子来自参考资料1
- 以sin函数值作为输入，其对应的cos函数值作为输出，在相同sin值的情况下会对应不同的cos值的情况，这就是因为输出结果不仅要看输入数据，还要依赖前后值的信息，且FC,CNN就不适合该例子了。

Pytorch中RNN函数torch.nn.RNN()参数介绍

参数其实主要写input_size和hidden_size，其他的参数使用默认的即可，当然有特殊需要再设置

其重要参数解析如下

参数	含义
input_size	输入RNN的维度/输入x的特征数量
hidden_size	隐藏层节点数量/隐藏层的特征数量
num_layers	RNN的层数
nonlinearity	指定激活函数使用tanh还是relu。默认是tanh
bias	如果是 False , 那么 RNN 层就不会使用偏置权重 b_ih 和 b_hh, 默认: True
batch_first	如果 True, 那么输入 Tensor 的 shape 应该是 (batch, seq, feature),并且输出也是一样(详见参3)
dropout	如果值非零, 那么除了最后一层外, 其它层的输出都会套上一个 dropout 层
bidirectional	如果 True , 将会变成一个双向 RNN, 默认为 False

主要是介绍了节点数的一些细节参考资料2
主要介绍了数据维度的一些细节，介绍的挺详细的，可惜我还是没看懂，以后看懂了补上参考资料3
贴两个询问ChatGPT的截图，作为比对

RNN代码分析

具体print输出结果以及打印出来的结果见文章末尾的测试文件资源)
测试文件中还包含几个函数测试的结果，用来辅助分析代码
注：个人分析的注释可能也有错误，仅供参考，且数据维度的变换那里目前理解能力有限，思考了很久还是一知半解，待后续有能力完全解析再做补充。
该代码是他人写好的代码，并不是本人的实现代码，主要是确实个人能力不足目前难以自己写出来…

# encoding:utf-8
import torch
import numpy as np
import matplotlib.pyplot as plt
from torch import nn# 定义RNN模型(可以类别下方RNN简单测试代码理解)
class Rnn(nn.Module):def __init__(self, input_size):super(Rnn, self).__init__()# 定义RNN网络## hidden_size是自己设置的，貌似取值都是32,64,128这样来取值## num_layers是隐藏层数量，超过2层那就是深度循环神经网络了self.rnn = nn.RNN(input_size=input_size,hidden_size=32,num_layers=1,batch_first=True  # 输入形状为[批量大小, 数据序列长度, 特征维度])# 定义全连接层self.out = nn.Linear(32, 1)# 定义前向传播函数def forward(self, x, h_0):r_out, h_n = self.rnn(x, h_0)# print("数据输出结果；隐藏层数据结果", r_out, h_n)# print("r_out.size()， h_n.size()", r_out.size(), h_n.size())outs = []# r_out.size=[1,10,32]即将一个长度为10的序列的每个元素都映射到隐藏层上for time in range(r_out.size(1)):  # print("映射", r_out[:, time, :])# 依次抽取序列中每个单词,将之通过全连接层并输出.r_out[:, 0, :].size()=[1,32] -> [1,1]outs.append(self.out(r_out[:, time, :])) # print("outs", outs)# stack函数在dim=1上叠加:10*[1,1] -> [1,10,1] 同时h_n已经被更新return torch.stack(outs, dim=1), h_n TIME_STEP = 10
INPUT_SIZE = 1
LR = 0.02
model = Rnn(INPUT_SIZE)
print(model)# 此处使用的是均方误差损失
loss_func = nn.MSELoss()  
optimizer = torch.optim.Adam(model.parameters(), lr=LR)h_state = None  # 初始化h_state为Nonefor step in range(300):# 人工生成输入和输出,输入x.size=[1,10,1],输出y.size=[1,10,1]start, end = step * np.pi, (step + 1)*np.pi# np.linspace生成一个指定大小，指定数据区间的均匀分布序列，TIME_STEP是生成数量steps = np.linspace(start, end, TIME_STEP, dtype=np.float32) # print("steps", steps)x_np = np.sin(steps)y_np = np.cos(steps)# print("x_np,y_np", x_np, y_np)# 从numpy.ndarray创建一个张量 np.newaxis增加新的维度x = torch.from_numpy(x_np[np.newaxis, :, np.newaxis])y = torch.from_numpy(y_np[np.newaxis, :, np.newaxis])# print("x,y", x,y)# 将x通过网络,长度为10的序列通过网络得到最终隐藏层状态h_state和长度为10的输出prediction:[1,10,1]prediction, h_state = model(x, h_state)h_state = h_state.data  # 这一步只取了h_state.data.因为h_state包含.data和.grad 舍弃了梯度# print("precision, h_state.data", prediction, h_state)# print("prediction.size(), h_state.size()", prediction.size(), h_state.size())# 反向传播loss = loss_func(prediction, y)optimizer.zero_grad()loss.backward()# 更新优化器参数optimizer.step()# 对最后一次的结果作图查看网络的预测效果
plt.plot(steps, y_np.flatten(), 'r-')
plt.plot(steps, prediction.data.numpy().flatten(), 'b-')
plt.show()

另外一种构建RNN的方法

除了上面介绍的torch.nn.RNN()外，还有RNNCell方法,使用方法如下：
cell = torch.nn.RNNCell(input_size=input_size, hidden_size=hidden_size)
hidden = cell(input, hidden)
- input_size与hidden_size与上面的参数介绍的含义是一致的，但是输入类型不一样。
- 和RNN不同的是RNN cell要自己写处理序列的循环，个人通俗理解就是，比如要处理3个句子，每个句子10个单词，每个单词用20长度的向量表示，如果使用nn.RNN()，那输出的tensor的shape应该是[10,3,20],而使用nn.RNNCell()需要将序列上的每个时刻分开处理，即送入的tensor的shape是[3,100],然后将该单元运行10次，灵活的代价当然就是比较麻烦。
- 关于hidden_size输入shape与input_size同样有变化，概括来说就是(可以看上面代码的具体解析那有关于维度的详细分析)
- input：batch_size*input_size
- 输入的hidden: batch_size*hidden_size
- 输出的hidden: batch_size*hidden_size