我有一系列向量，表示随时间变化的信号。我希望将信号的某些部分分类为两个类别：1或0。使用LSTM的原因是我认为网络需要了解整个信号才能进行分类。

我的问题在于开发PyTorch模型。下面是我想出的类。

class LSTMClassifier(nn.Module):   def __init__(self, input_dim, hidden_dim, label_size, batch_size):       self.lstm = nn.LSTM(input_dim, hidden_dim)       self.hidden2label = nn.Linear(hidden_dim, label_size)       self.hidden = self.init_hidden()   def init_hidden(self):       return (torch.zeros(1, self.batch_size, self.hidden_dim),                torch.zeros(1, self.batch_size, self.hidden_dim))   def forward(self, x):       lstm_out, self.hidden = self.lstm(x, self.hidden)       y  = self.hidden2label(lstm_out[-1])       log_probs = F.log_softmax(y)       return log_probs

然而，这个模型出现了很多形状错误，我很难理解所有问题。我首先查看了这个 Stack Overflow 问题。

回答：

你应该始终参考PyTorch 文档，特别是inputs和outputs部分，始终如此。

分类器应该如下所示：

需要考虑的要点：

• 始终使用super().__init__()，因为它会在你的神经网络中注册模块，允许使用钩子等功能。
• 使用batch_first=True，这样你可以传递形状为(batch, timesteps, n_features)的输入
• 不需要使用zeros来init_hidden，如果未初始化，它是默认值
• 不需要每次都将self.hidden传递给LSTM。此外，你不应该这样做。这意味着每个批次数据的元素在某种程度上是下一步，而批次元素应该是独立的，你可能不需要这样做。
• _, (h_n, _)返回最后一个时间步的最后一个隐藏单元，形状正好是：(num_layers * num_directions, batch, hidden_size)。在我们的例子中，num_layers和num_directions是1，所以我们得到形状为(1, batch, hidden_size)的输出张量
• 重塑为(batch, hidden_size)，以便可以通过线性层传递
• 返回未经激活的logits。对于二元情况，只需要一个输出。使用torch.nn.BCEWithLogitsLoss作为二元情况的损失函数，使用torch.nn.CrossEntropyLoss作为多类情况的损失函数。对于二元情况，sigmoid是合适的激活函数，而对于多类情况，softmax或log_softmax是合适的激活函数。
• 对于二元分类，只需要一个输出。任何小于0的值（如果像本例中那样返回未归一化的概率）都被视为负值，任何大于0的值都被视为正值。