序言
下午田径队第一次训练。其实我有点不太想去，一来太阳特别晒，二来自七月下旬住院回来之后，整个八月只进行了五六次路跑，这学期回来已有一周，每天跑2km就足以折煞我，心理落差特别大。
可是转念又想昨天偶遇王炳杰相谈甚欢，暑期又给陈嘉伟的队伍做指导老师，不去队里露脸见个面有点说不过去，之前也注意到李婷玉也住在三门路13 楼，尽管以我的能力可能也不太能搞得好关系吧，反正难得队里有另一个住在同一栋楼的博士，说不定以后能多一点机会呢… 所以尽管时间卡得很紧，还是去训练。
4×15开合深蹲跳，4×10箭步深蹲跳，4×15俯卧挺身，2×60次的交替抬腿跨栏，最后3000米慢跑恢复，大半年没上过这种强度，标准不标准得都勉强坚持下来，差点就要交代在田径场。想到王炳杰暑期每天还能四五点起来跑步，依然保持着10km以上的体能，我真的是要羞愧得无地自容。
说到底运动是能改变一个人的精神面貌，正如前文收尾写得那样，八月份如同泥石流般的颓败，也不知道自己就突然想摆烂到底，找不到可以刺激自己神经的支撑点。但是这场训练之后，我又找回了去年那种做事的激情。
作为一个开端这是值得乐观的，尽管在未来无穷的变数里我仍未发现那束属于自己的光芒，它或有或无，或是注定错失，然而似乎我已经别无选择，大不了自己成为一束最弱的光去点亮下一代罢。
文章目录
- 序言
-
- 20220906
- 20220907
- 20220907-20220908
- 20220909-20220911
- 20220912~20220913
- 20220915~20220916
- 20220916~20220917
- 20220918~20220919
- 20220920
- 20220921~20220924
- 20220925~20220927
- 20220928~20221002
- 20221003~20221005
- 20221006
- 20221007~20221008
- 20221009~20221013
- 20221014~20221015
- 20221016~20221018
- 20221019
- 20221020
- 20221021~20221022
- 20221023~20221024
- 20221025~20221027
- 20221028
- 20221029
- 20221030~20221031
- 20221101~20221102
-
- 2022 高级统计学 学科综合考试试题回忆
- Problem 1
- Problem 2
- Problem 3
- Problem 4
- Problem 5
- Problem 6
- Problem 7
- Problem 8
- Problem 9
- 20221103
-
- 2022 学科综合考试 高级计量经济学试题回忆
- Problem 1
- Problem 2
- Problem 3
- Problem 4
- Problem 5
- Problem 6
- Problem 7
- Problem 8
- Problem 9
- Problem 10
- 20221104
- 20221105
- 20221106~20221108
- 20221109~20221111
- 20221112
- 20221113~20221115
- 20221116~20221117
- 20221118
- 20221119~20221120
20220906
关于torch的RNN模块做一个详解记录，重点要注意输入输出张量，以及参数张量的形状，另外像LSTM的输出相比GRU以及RNN要多一个 c i c_i ci?，GRU与RNN是相似的，RNN类的两个输出是有关联的，具体见下面代码中的注释：
-
LSTM 络由若干层的LSTM层构成，每个LSTM层中包含若干LSTM的单元（数量一般为序列长度），每一个LSTM层里面有两条线贯穿始终，即 h t , c t h_t,c_t ht?,ct?，因此需要设置初始的 h 0 h_0 h0?和 c 0 c_0 c0?，默认值应该是零张量，需要自定义的话，形状是(num_layers, batch_size, hidden_size)，如果是双向，则是2倍的num_layers，
下面这个例子里说明的是，hidden_output其实是最后一个LSTM层所有 h t h_t ht?的合并输出，final_states则是每一个LSTM层的最后一个单元格的输出，即每一层的（h_n, c_n）。
-
RNN 络类似，可以指定初始状态 h 0 h_0 h0?，但是final_states只有一个值：
- input_size – 输入的特征数量。
- hidden_size – 隐层的特征数量。
- num_layers – RNN的层数。
- nonlinearity – 指定非线性函数使用还是。默认是。
- bias – 如果是，那么RNN层就不会使用偏置权重 b i h b_ih bi?h和 b h h b_hh bh?h,默认是
- batch_first – 如果的话，那么输入的shape应该是[batch_size, time_step, feature],输出也是这样。
- dropout – 如果值非零，那么除了最后一层外，其它层的输出都会套上一个层。
- bidirectional – 如果，将会变成一个双向，默认为。
-
GRU 络：
GRU的输出与RNN完全相同，但是也可以指定初始状态 h 0 h_0 h0?，GRU是只有一条线贯穿始终，与LSTM有所区别。
-
LSTMCell，RNNCell，GRUCell
这个就是每一个LSTM层中包含的若干LSTM的单元的一个，具体而言输入输出形状：
from torch.nn import LSTMCell, RNNCell, GRUCellimport torchx = torch.FloatTensor(32, 256) # (batchsize, input_size)h_0 = torch.FloatTensor(32, 512) # (batchsize, hidden_size)rnncell = RNNCell(input_size=256, hidden_size=512, bias=True, nonlinearity='tanh')h_1 = rnncell(x, h_0) # (batchsize, hidden_size)x = torch.FloatTensor(32, 256) # (batchsize, input_size)h_0 = torch.FloatTensor(32, 512) # (batchsize, hidden_size)grucell = GRUCell(input_size=256, hidden_size=512, bias=True)h_1 = grucell(x, h_0) # (batchsize, hidden_size)x = torch.FloatTensor(32, 256) # (batchsize, input_size)h_0 = torch.FloatTensor(32, 512) # (batchsize, hidden_size)c_0 = torch.FloatTensor(32, 512) # (batchsize, hidden_size)lst声明：本站部分文章及图片源自用户投稿，如本站任何资料有侵权请您尽早请联系jinwei@zod.com.cn进行处理,非常感谢！