RCNN

首先从这里我了解到对于RNN来说，上一层的隐层仓的输出和这一时刻输入

两者向量拼接作为输入。这一层的输入维度取决于输入神经元的个数，隐层的输入维度取决于rnn隐层的神经元的个数。

通过这个知识点的了解，我就知道为什么在

lstm在初始化h0 c0的时候采取

h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(device)

c0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(device)

如果说是个双向的lstm，我们就要使用self.num_layers x 2

在

中，它对h和c的维度有一个概括，是这样说的。

h_n shape (n_layers, batch, hidden_size)

h_c shape (n_layers, batch, hidden_size)

对于双向lstm来说，我们使用pytorch代码之后，得到的隐层状态是两个单层lstm隐层状态的拼接

RCNN代码

TextRCNN 文本分类 阅读笔记 - 今天做作业没的文章 - 知乎