Torch，神经网络-gmodule对象上的正向函数-nngraph类

我是torch和lua的新手（任何关注我最新帖子的人都可以证明：），我对gmodule对象（类nngraph）的forward函数有以下问题

根据源代码（-as类gmodule继承自nn.module），语法为：

function Module:forward(input)
   return self:updateOutput(input)
end

但是，我发现了表作为输入传递的情况，如：

local lst = clones.rnn[t]:forward{x[{{}, t}], unpack(rnn_state[t-1])}

其中：

clones.rnn[t]

本身就是一个gmodule对象。反过来，rnn_状态[t-1]是一个具有4个张量的表。所以最后，我们有了类似于

result_var = gmodule:forward{[1]=tensor_1,[2]=tensor_2,[3]=tensor_3,...,[5]=tensor_5}

问题是，根据网络架构的不同，您能否将格式为表的输入不仅传递到输入层，还传递到隐藏层

在这种情况下，您必须检查每个层是否只传递一个输入？（输出层除外）

---

非常感谢，我终于找到了答案。模块类（以及继承的类gmodule）有一个输入和一个输出

然而，输入（以及输出）不需要是一个向量，但它可以是一组向量——这取决于神经网络的配置，在这种特殊情况下，它是一个非常复杂的递归神经网络

因此，如果网络有多个输入向量，则可以执行以下操作：

result_var = gmodule:forward{[1]=tensor_1,[2]=tensor_2,[3]=tensor_3,...,[5]=tensor_5}

其中，每个张量/向量是一个输入向量。这些向量中只有一个是X向量或特征向量。其他节点可以作为其他中间节点的输入

反过来，result_var（即输出）可以有一个输出作为张量（预测）或一组张量作为输出（张量的集合），具体取决于网络配置

---

如果是后者，其中一个输出张量是预测，提醒通常在下一个时间步中用作中间节点的输入-但这同样取决于网络配置。

我终于找到了答案。模块类（以及继承的类gmodule）有一个输入和一个输出

然而，输入（以及输出）不需要是一个向量，但它可以是一组向量——这取决于神经网络的配置，在这种特殊情况下，它是一个非常复杂的递归神经网络

因此，如果网络有多个输入向量，则可以执行以下操作：

result_var = gmodule:forward{[1]=tensor_1,[2]=tensor_2,[3]=tensor_3,...,[5]=tensor_5}

其中，每个张量/向量是一个输入向量。这些向量中只有一个是X向量或特征向量。其他节点可以作为其他中间节点的输入

反过来，result_var（即输出）可以有一个输出作为张量（预测）或一组张量作为输出（张量的集合），具体取决于网络配置

如果是后者，其中一个输出张量是预测，提醒通常在下一个时间步中用作中间节点的输入，但这同样取决于网络配置