一、案例背景
本案例通過PyTorch的nn.RNN構建單隱藏層RNN模型，重點展示RNN對變長序列數據的處理能力（序列長度從1變為20），幫助理解RNN的輸入輸出邏輯。
二、核心代碼與結構拆解
def dm_rnn_for_sequencelen():# 1. 定義RNN模型rnn = nn.RNN(5, 6, 1) # input_size=5, hidden_size=6, num_layers=1# 2. 準備輸入數據input = torch.randn(20, 3, 5) # 序列長度=20，批次大小=3，輸入維度=5# 3. 初始化隱狀態h0 = torch.randn(1, 3, 6) # 層數×方向=1，批次大小=3，隱藏層維度=6# 4. 前向傳播output, hn = rnn(input, h0)# 輸出結果print('output形狀--->', output.shape) # torch.Size([20, 3, 6])print('hn形狀--->', hn.shape) # torch.Size([1, 3, 6])print('模型結構--->', rnn) # RNN(5, 6)
三、關鍵參數詳解
1. 模型定義參數（nn.RNN）
| 參數 | 含義 | 本案例取值 | 說明 |
|---|---|---|---|
input_size | 輸入特征維度 | 5 | 每個時間步的輸入向量維度（如單詞的 embedding 維度） |
hidden_size | 隱藏層輸出維度 | 6 | 每個時間步的隱狀態向量維度 |
num_layers | 隱藏層層數 | 1 | 單隱藏層結構，簡化計算 |
2. 輸入數據格式（input）
- 形狀：
[sequence_length, batch_size, input_size] - 本案例：
[20, 3, 5]20：序列長度（sequence_length），每個樣本包含20個時間步（如一句話有20個單詞）；3：批次大小（batch_size），一次并行處理3個樣本；5：輸入特征維度，與模型定義的input_size一致。
3. 初始隱狀態（h0）
- 形狀：
[num_layers × num_directions, batch_size, hidden_size] - 本案例：
[1, 3, 6]1：num_layers × num_directions（1層+單向RNN）；3：與輸入的batch_size一致，每個樣本對應一個初始隱狀態；6：與模型定義的hidden_size一致，初始隱狀態的維度。
四、輸出結果解析
1. output（所有時間步的隱藏層輸出）
- 形狀：
[sequence_length, batch_size, hidden_size] - 本案例：
[20, 3, 6]- 包含每個時間步、每個樣本的隱藏層輸出（20個時間步×3個樣本×6維向量）；
- 體現RNN對序列的“逐步處理”特性，保留所有中間結果。
2. hn（最后一個時間步的隱狀態）
- 形狀：
[num_layers × num_directions, batch_size, hidden_size] - 本案例：
[1, 3, 6]- 僅包含最后一個時間步（第20步）、每個樣本的隱狀態；
- 因單隱藏層，
hn與output的最后一個時間步結果完全一致。
五、核心結論：RNN對變長序列的適應性
- 序列長度可靈活變化：只要輸入特征維度（
input_size）和批次大小（batch_size）不變，RNN可處理任意長度的序列（如示例1中長度=1，本案例中長度=20）。 - 輸出形狀隨序列長度調整：
output的第一個維度始終等于輸入序列長度，體現RNN對時序數據的動態處理能力。
六、類比理解
將RNN比作“逐字閱讀的處理器”：
- 輸入：3篇文章（
batch_size=3），每篇20個單詞（sequence_length=20），每個單詞用5維向量表示（input_size=5）； - 處理過程：每讀一個單詞（時間步），結合上一步的記憶（隱狀態），更新當前記憶（6維向量，
hidden_size=6）； - 輸出：
output是每讀一個單詞時的記憶記錄，hn是讀完最后一個單詞的最終記憶。
