深度学习进阶文档深度页
RNN、LSTM 与 GRU 总览
三类循环网络共享时间参数，但状态结构和长依赖能力不同。
学习目标
- 解释核心机制
- 手算一个主要形状或公式
- 运行完整示例并排查错误
为什么需要这个概念
RNN、LSTM 与 GRU 总览是该文档中连接数据表示、训练目标和工程实现的核心主题。
- 掌握RNN、LSTM 与 GRU 总览的输入输出与训练边界
- 能够用 PyTorch 代码验证公式和形状
学习前需要掌握
PyTorch Tensor内容待补充神经网络训练循环
背景与问题
RNN、LSTM 与 GRU 总览是该文档中连接数据表示、训练目标和工程实现的核心主题。
概念定义
三类循环网络共享时间参数，但状态结构和长依赖能力不同。
直观理解
把RNN、LSTM 与 GRU 总览理解为数据在模型中的一套明确变换，而不是只记一个类名。
核心原理
选择取决于序列长度、速度、在线约束和验证结果。
实现时必须同时检查 shape、dtype、mask 或模式切换，并用验证集而不是测试集选择配置。
数学表达
核心公式
RNN、LSTM 与 GRU 总览的核心数学表达。
变量含义
Nbatch sizeD/H特征或隐藏维度
计算步骤
- 1按公式或模块逐步计算
- 2核对输出 shape
代码对应位置
示例 1RNN、LSTM 与 GRU 总览 · PyTorch 示例：验证RNN、LSTM 与 GRU 总览的输入、计算和输出。
变量解释
| 变量 | 含义 |
|---|---|
N | batch size |
D/H | 特征或隐藏维度 |
完整数值示例
RNN、LSTM 与 GRU 总览数值/形状检查
已知条件
- N=8
- D=64
- 1
按公式或模块逐步计算
- 2
核对输出 shape
输出保持 batch 维并符合任务头约定
处理前后对比
计算与实现步骤
- 1
确认输入与目标
- 2
建立最小模块
- 3
随机张量前向
- 4
计算损失
- 5
反向与更新
- 6
验证与错误分析
代码实现
示例 1
RNN、LSTM 与 GRU 总览 · PyTorch 示例
RNN、LSTM 与 GRU 总览 · PyTorch 示例
PyTorch
example_01.py用途：验证RNN、LSTM 与 GRU 总览的输入、计算和输出。
x=torch.randn(8,20,64)
for cls in (nn.RNN,nn.GRU,nn.LSTM):
model=cls(64,128,batch_first=True)
result=model(x);print(cls.__name__,result[0].shape)代码解析
解析始终位于完整代码下方，并按实际代码段逐项对应。
输入数据与任务
验证RNN、LSTM 与 GRU 总览的输入、计算和输出。
model- 组合预处理和估计器的模型对象。
Step 1 · 1–4 行
输出中间参数、形状或最终指标，用于核对代码是否符合预期。
x=torch.randn(8,20,64)
for cls in (nn.RNN,nn.GRU,nn.LSTM):
model=cls(64,128,batch_first=True)
result=model(x);print(cls.__name__,result[0].shape)预期输出或运行结果
打印与页面说明一致的张量形状或损失。
常见错误 · 4 条
- 双向用于在线预测
- h_n 维度错
- 跨样本复用状态
- 确认样本轴、特征轴以及 X 与 y 的第一维完全对应。
实际应用
- RNN、LSTM 与 GRU 总览
- 教学与项目基线
常见错误
双向用于在线预测
h_n 维度错
跨样本复用状态
文档来源
18_RNN_LSTM与GRU原始文档
学习资料/deeplearning/18_RNN_LSTM与GRU.md- §2 形状
- §5 梯度
- §8–16 PyTorch 与变长序列
常见问题
RNN、LSTM 与 GRU 总览最先检查什么？
先检查输入输出 shape、dtype 和数据边界。
何时使用测试集？
全部设计锁定后最终评估。
推荐学习资料
视频课程B 级
MIT Introduction to Deep Learning
以密集讲座和实验介绍神经网络、序列模型、生成模型和深度学习应用。
MIT 6.S191 Team · MIT