本文主要介绍一下RNN的计算规则以及pytorch里面RNN怎么计算的，给自己备注一下。RNN是一种循环神经网络，听起来比较复杂，就知道循环，其他的没了，其实它的里面就是一个数学公式而已，然后是反复的运行就没了。不信的话，下面用代码来试一下。
pytorch RNN说明
关于pytorch RNN API的解释官网有详细介绍，列一下里面内部的公式。
这里的是在t时刻的隐藏层状态，
是在t时刻的输入，
是上一时刻的隐藏层状态或者是在时刻0的初始化隐藏层状态，tanh是激活函数，可以通过参数修改成relu
参数
input_size 输入x的特征大小
hidden_size 隐藏层h的特征大小
num_layers 神经元的个数，如果设置为2，第二个神经元的输入是前一个神经元的输出
nonlinearity 激活函数 默认为tanh，可以设置为relu
bias 是否设置偏置，默认为True
batch_first 默认为false, 设置为True之后，输入输出为(batch, seq, feature)
dropout 默认为0
bidirectional 默认为False，设置为RNN为双向
返回
input(seq_len, batch, input_size) 如果batch_first输入为input(batch, seq_len, input_size)
h_0(num_layers*num_directions, batch, hidden_size)如果bidirectional为True,num_directions为2
代码
为了简单起见，示例代码输入为batch_size=1，维度为10
num_layers=1, seq_len=2
from torch import nn
import torch
import numpy as np
# input_size, hidden_size, num_layers
rnn = nn.RNN(10, 10, 1)
inputR = torch.randn(2, 1, 10)
h0 = torch.randn(1, 1, 10)
output, hn = rnn(inputR, h0)
输出
output:
tensor([[[-0.4582, 0.3975, 0.7992, 0.2567, 0.5510, 0.4386, -0.6069,
-0.2433, -0.0597, 0.2545]],
[[ 0.2327, 0.2221, -0.1225, 0.1365, 0.1384, 0.7557, 0.9028,
-0.4454, 0.1529, 0.0789]]], grad_fn=<StackBackward>)
hn:
tensor([[[ 0.2327, 0.2221, -0.1225, 0.1365, 0.1384, 0.7557, 0.9028,
-0.4454, 0.1529, 0.0789]]], grad_fn=<StackBackward>)
公式运行, 第一个seq
ih = rnn.weight_ih_l0.data.mm(inputR[0].squeeze().view(10,1)) + rnn.bias_ih_l0.data.view(10,1)
hh = rnn.weight_hh_l0.data.mm(h0[0].squeeze().view(10, 1)) + rnn.bias_hh_l0.data.view(10,1)
temp = torch.tanh(ih+hh)
temp
输出
tensor([[-0.4582],
[ 0.3975],
[ 0.7992],
[ 0.2567],
[ 0.5510],
[ 0.4386],
[-0.6069],
[-0.2433],
[-0.0597],
[ 0.2545]])
第二个seq
ih = rnn.weight_ih_l0.data.mm(inputR[1].squeeze().view(10,1)) + rnn.bias_ih_l0.data.view(10,1)
hh = rnn.weight_hh_l0.data.mm(temp) + rnn.bias_hh_l0.data.view(10,1)
temp = torch.tanh(ih+hh)
temp
输出
tensor([[ 0.2327],
[ 0.2221],
[-0.1225],
[ 0.1365],
[ 0.1384],
[ 0.7557],
[ 0.9028],
[-0.4454],
[ 0.1529],
[ 0.0789]])
完全一样
num_layers=2, seq_len=1
from torch import nn
import torch
import numpy as np
# input_size, hidden_size, num_layers
rnn = nn.RNN(10, 10, 2)
inputR = torch.randn(1, 1, 10)
h0 = torch.randn(2, 1, 10)
output, hn = rnn(inputR, h0)
输出
output:
tensor([[[-0.6109, 0.1926, 0.7245, -0.4304, -0.2992, 0.0129, -0.1721,
0.6340, -0.3601, -0.3554]]], grad_fn=<StackBackward>)
hn:
tensor([[[ 0.0410, 0.2077, -0.6816, 0.0125, 0.3604, -0.4399, 0.7102,
-0.0217, 0.8443, -0.1684]],
[[-0.6109, 0.1926, 0.7245, -0.4304, -0.2992, 0.0129, -0.1721,
0.6340, -0.3601, -0.3554]]], grad_fn=<StackBackward>)
接下来使用公式运行一遍，和上面的结果一样，更好理解RNN
ih = rnn.weight_ih_l0.data.mm(inputR[0].squeeze().view(10,1)) + rnn.bias_ih_l0.data.view(10,1)
hh = rnn.weight_hh_l0.data.mm(h0[0].squeeze().view(10, 1)) + rnn.bias_hh_l0.data.view(10,1)
temp = torch.tanh(ih+hh)
输出
temp:
tensor([[ 0.0410],
[ 0.2077],
[-0.6816],
[ 0.0125],
[ 0.3604],
[-0.4399],
[ 0.7102],
[-0.0217],
[ 0.8443],
[-0.1684]])
可以看到和hn的一部分数据完全一样，因为设置num_layers为2，这个时候才经过第一个RNN神经元，接下来经过第二个神经元
ih1 = rnn.weight_ih_l1.data.mm(temp.data) + rnn.bias_ih_l1.data.view(10,1)
hh1 = rnn.weight_hh_l1.data.mm(h0[1].squeeze().view(10, 1)) + rnn.bias_hh_l1.data.view(10,1)
torch.tanh(ih1+hh1)
输出
tensor([[-0.6109],
[ 0.1926],
[ 0.7245],
[-0.4304],
[-0.2992],
[ 0.0129],
[-0.1721],
[ 0.6340],
[-0.3601],
[-0.3554]])
可以看到和output输出一样，和hn的第二部分数据完全一样。
总结
通过上面的代码运行一遍，应该就能看出来RNN内部如何运行的了
好的文档关于RNN的
The Unreasonable Effectiveness of Recurrent Neural Networks
Understanding LSTM Networks
Attention and Augmented Recurrent Neural Networks
