if __name__ == '__main__':
    import torch

    import torch.nn as nn  # 神经网络模块

    rnn = nn.LSTM(10, 20, 2)

    # 输入数据x的向量维数10, 设定lstm隐藏层的特征维度20, 此model用2个lstm层。如果是1，可以省略，默认为1)

    input = torch.randn(5, 3, 10)

    # 输入的input为，序列长度seq_len=5, 每次取的minibatch大小，batch_size=3, 数据向量维数=10（仍然为x的维度）。每次运行时取3个含有5个字的句子（且句子中每个字的维度为10进行运行）

    # 初始化的隐藏元和记忆元,通常它们的维度是一样的

    # 2个LSTM层，batch_size=3, 隐藏层的特征维度20

    h0 = torch.randn(2, 3, 20)

    c0 = torch.randn(2, 3, 20)

    # 这里有2层lstm，output是最后一层lstm的每个词向量对应隐藏层的输出,其与层数无关，只与序列长度相关

    # hn,cn是所有层最后一个隐藏元和记忆元的输出

    output, (hn, cn) = rnn(input, (h0, c0))

    ##模型的三个输入与三个输出。三个输入与输出的理解见上三输入，三输出

    print(output.size(), hn.size(), cn.size())