Python pytorch中LSTM输出的叠加

我正在阅读一些关于使用lstm网络进行情绪分析的教程。 下面的代码表示它会叠加lstm输出。我不知道它是怎么工作的

lstm_out = lstm_out.contiguous().view(-1, self.hidden_dim)

---

它确实堆叠了输出，kHarshit的评论在这里是误导性的

为了直观地看到这一点，让我们回顾一下本教程中前一行的输出（访问日期：2019年5月1日）：

此项的输出维度将为

[序列长度、批次大小、隐藏大小*2]

，如所示。这里，输入的长度是双向LSTM的两倍。因此，最后一个维度的前半部分将始终是向前输出，然后是向后输出（我不完全确定其方向，但在我看来它已经在正确的方向上）

然后，您关心的实际线路：

我们在这里忽略了

.continuous（）

的细节，但您可以在中详细阅读。总之，它基本上确保您的

torch.Tensor

在内存中正确对齐
最后，

.view（）

允许您以特定的方式重塑生成的张量。这里，我们的目标是一个具有两个维度的形状（由

.view（）的输入参数数量定义）

。具体地说，第二维度被认为具有第一维度的大小

隐藏\u dim

-1

，这意味着我们正在以这样一种方式重新分配向量维度，即我们不关心确切的维度，而只是满足另一维度的要求。
因此，如果你有一个长度为40的向量，并且想要将其重塑为

（-1，10）

，那么得到的张量将具有形状

（4，10）

正如我们之前所说的，向量的前半部分（长度

hidden\u dim

）是正向输出，后半部分是后半部分，那么分解成

（-1，hidden\u dim）

张量将产生

（2，hidden\u dim）

，其中第一行包含正向输出，“堆叠”在第二行的顶部，等于反向层的输出

可视示例：

lstm_out, hidden = self.lstm(embeds, hidden)
print(lstm_out) # imagine a sample output like [1,0 , 2,0] 
                #                      forward out  | backward out

stacked = lstm_out.contiguous().view(-1,hidden_dim) # hidden_dim = 2

print(stacked) # torch.Tensor([[1,0],
               #               [2,0]])

---

你在说什么？上面提到的评论有点误导。我认为它的意思是转换lstm层的输出（

lstm\u out

）是的，代码中的注释是lstm输出的堆栈。解决方案注释和网络架构图误导了我，使我相信堆栈意味着添加另一个lstm层！阅读文档后，我终于看到传入n_layers参数来定义有多少层LSTM的R被堆叠起来。

lstm_out, hidden = self.lstm(embeds, hidden)
print(lstm_out) # imagine a sample output like [1,0 , 2,0] 
                #                      forward out  | backward out

stacked = lstm_out.contiguous().view(-1,hidden_dim) # hidden_dim = 2

print(stacked) # torch.Tensor([[1,0],
               #               [2,0]])