一、RNN网络原理

• 文本数据是具有序列特性的。为了表示出数据的序列关系，需要使用循环神经网络（Recurrent Nearal Networks,RNN）来对数据进行建模，RNN是一个作用于处理带有序列特点的样本数据

1.RNN的计算过程

• h表示隐藏状态，每一次的输入都会包含两个值：上一个时间步的隐藏状态，当前状态的输入值，输出当前时间步的隐藏状态和当前时间步的预测结果

实际上，字是重复输入到同一个神经元中的

2.神经元内部的计算过程

$h_t=tanh(W_{ih}{x}_t+b_{ih}+W_{hh}{h}_{t-1}+b_{hh})$

• $W_{ih}$表示输入数据的权重
• $b_{ih}$表示输入数据的偏置
• $W_{hh}$表示输入隐藏状态的权重
• $b_{hh}$表示输入隐藏状态的偏置
• 最后对输出结果使用tanh激活函数进行计算，得到该神经元的输出

3.API

RNN = torch.nn.RNN(input_size, hidden_size, num_layer)

• input_size：输入数据的维度，一般设为词向量的维度
• hidden_size：隐藏层h的维数，也是当前层神经元的输出维度
• num_layer：隐藏层h的层数，默认为1

将RNN实例化就可以将数据送入进行处理，处理方式如下：

output, hn = RNN(x, h0)

• 输入数据：输入主要包括词嵌入的x，初始的隐藏层h0

• • x的表示形式为[seq_len, batch, input_size]，即[句子的长度，batch的大小，词向量的维度]
  • h0的表示形式为[num_layers, batch, hidden_size]，即[隐藏层的层数, batch的大小,隐藏层h的维数]（初始化设置为全0）

• 输出结果：主要包括输出结果output，最后一层的hn

• • output的表示形式为[seq_len, batch, input_size]，即[句子的长度，batch的大小，词向量的维度]
  • hn的表示形式为[num_layers, batch, hidden_size]，即[隐藏层的层数, batch的大小,隐藏层h的维数]