Pytorch 函数nn.LSTM在批次/序列中的行为如何？

我目前正在学习使用Pytork，不得不问这个函数是如何工作的

基本上，我正在尝试输入我的数据集矩阵（mxn）。 由于数据集是一个矩阵，所以我希望使用数据加载器（utils.data.dataset）将数据集递归地（作为时间步长）馈送到LSTM网络中

我感到困惑的是输入的大小（seq_len，batch，input_size）

假设我正在获取批处理大小为10的数据加载程序。 为了以正确的形式生成火车装载机，我必须将之前的大小（M x N）转换为包含序列长度的大小，序列长度可以简单地转换为（M/seq_len，seq_len，N）

那么my nn.LSTM的输入大小如下： （M/序列号/批次号，序列号，N）

因此，我的主要问题是：

如果我将此数据大小输入LSTM模型nn.LSTM（N，隐藏的大小）， LSTM模型是否已经在整个批次中执行递归前馈

我还对seq_len感到困惑，当seq_len>1时，输出将得到seq_len的维度。 这是否意味着输出包含序列的递归操作

我不确定我是否把问题说清楚了，但我的理解变得相当混乱..哈哈 希望有人能帮助我组织正确的理解

是的，前提是每个样本的序列长度相同（这里似乎就是这种情况）。如果没有，你必须用垫子

是的，LSTM扩展到每个时间步，并且每个时间步都有输出。因此，您不必对每个元素单独应用它

---

你能详细解释一下为什么要除以序列长度吗？这一部分目前还不清楚，但对答案来说非常关键，我相信我试图用我的数据集（特征（；行）模拟seq2seq LSTM网络的行为，用时间步长（；列）），用序列长度划分整个矩阵，并将这些序列与批量大小一样叠加。（在每一个火车装载机的例子中）我很抱歉收到了大量的通知……：（试图用正确的形式发表评论，但它不起作用。我会在得到正确的形式后一分钟发布。这很酷，最好是删除，而不是制造额外的噪音+我看到你是新来的，所以慢慢来。：）我很失望不能解决这个内联代码注释问题。哈哈，这两种方法会有相同的行为吗？

对于in-range（self.seq_len）：`out_seq=self.lstm（input[t]。view（1,1，-1），hidd）

with hidd.shape=[1，batch_size，hidden_size]……和……

out，hidd=self.lstm（input，hidd）

使用hidd.shape=[seq_len，batch_size，hidden_size]是的，他们应该这样做。在第一种情况下，它仍然是

out_seq，hidden=self.lstm（输入[t].view（1,1，-1），hidden）

尽管我认为。你不应该这样使用它，第二种方法是正确的（如果正确的话，你几乎不必在

pytorch中循环）。此外，
self.lstm
（
hidd
）的第二个参数通常是不必要的，因为它隐式地用零填充，并且这个参数是可选的（在您的案例中，您可能不想碰它）。谢谢您的回复：）这类排序是在LSTM之后连接完全连接的层的下一个过程。但是，如果我想在几个时期内进行训练，我不需要在模块外返回“hidd”吗？？