传统RNN模型笔记：输入数据长度变化的结构解析

一、案例背景

本案例通过PyTorch的nn.RNN构建单隐藏层RNN模型，重点展示RNN对变长序列数据的处理能力（序列长度从1变为20），帮助理解RNN的输入输出逻辑。

二、核心代码与结构拆解

def dm_rnn_for_sequencelen():# 1. 定义RNN模型rnn = nn.RNN(5, 6, 1)  # input_size=5, hidden_size=6, num_layers=1# 2. 准备输入数据input = torch.randn(20, 3, 5)  # 序列长度=20，批次大小=3，输入维度=5# 3. 初始化隐状态h0 = torch.randn(1, 3, 6)  # 层数×方向=1，批次大小=3，隐藏层维度=6# 4. 前向传播output, hn = rnn(input, h0)# 输出结果print('output形状--->', output.shape)  # torch.Size([20, 3, 6])print('hn形状--->', hn.shape)          # torch.Size([1, 3, 6])print('模型结构--->', rnn)             # RNN(5, 6)

三、关键参数详解

1. 模型定义参数（nn.RNN）

2. 输入数据格式（input）

• 形状：[sequence_length, batch_size, input_size]
• 本案例：[20, 3, 5]
  • 20：序列长度（sequence_length），每个样本包含20个时间步（如一句话有20个单词）；
  • 3：批次大小（batch_size），一次并行处理3个样本；
  • 5：输入特征维度，与模型定义的input_size一致。

3. 初始隐状态（h0）

• 形状：[num_layers × num_directions, batch_size, hidden_size]
• 本案例：[1, 3, 6]
  • 1：num_layers × num_directions（1层+单向RNN）；
  • 3：与输入的batch_size一致，每个样本对应一个初始隐状态；
  • 6：与模型定义的hidden_size一致，初始隐状态的维度。

四、输出结果解析

1. output（所有时间步的隐藏层输出）

• 形状：[sequence_length, batch_size, hidden_size]
• 本案例：[20, 3, 6]
  • 包含每个时间步、每个样本的隐藏层输出（20个时间步×3个样本×6维向量）；
  • 体现RNN对序列的“逐步处理”特性，保留所有中间结果。

2. hn（最后一个时间步的隐状态）

• 形状：[num_layers × num_directions, batch_size, hidden_size]
• 本案例：[1, 3, 6]
  • 仅包含最后一个时间步（第20步）、每个样本的隐状态；
  • 因单隐藏层，hn与output的最后一个时间步结果完全一致。

五、核心结论：RNN对变长序列的适应性

• 序列长度可灵活变化：只要输入特征维度（input_size）和批次大小（batch_size）不变，RNN可处理任意长度的序列（如示例1中长度=1，本案例中长度=20）。
• 输出形状随序列长度调整：output的第一个维度始终等于输入序列长度，体现RNN对时序数据的动态处理能力。

六、类比理解

将RNN比作“逐字阅读的处理器”：

• 输入：3篇文章（batch_size=3），每篇20个单词（sequence_length=20），每个单词用5维向量表示（input_size=5）；
• 处理过程：每读一个单词（时间步），结合上一步的记忆（隐状态），更新当前记忆（6维向量，hidden_size=6）；
• 输出：output是每读一个单词时的记忆记录，hn是读完最后一个单词的最终记忆。