Torch、神经网络 - gmodule 对象上的正向函数 - nngraph class

Question

我是 torch 和 lua 的新手（任何关注我最新帖子的人都可以证明 :) 并且对 gmodule 对象的转发函数有以下问题（class nngraph).

根据源代码（https://github.com/torch/nn/blob/master/Module.lua - 因为 class gmodule 继承自 nn.module）语法是：

function Module:forward(input)
   return self:updateOutput(input)
end

但是，我发现 table 作为输入传递的情况，如：

local lst = clones.rnn[t]:forward{x[{{}, t}], unpack(rnn_state[t-1])}

其中：

clones.rnn[t]

本身就是一个gmodule对象。反过来，rnn_state[t-1] 是具有 4 个张量的 table。所以最后，我们得到了类似于

result_var = gmodule:forward{[1]=tensor_1,[2]=tensor_2,[3]=tensor_3,...,[5]=tensor_5}

问题是，根据网络架构，您能否将输入（格式为 table）不仅传递到输入层，还传递到隐藏层？

在那种情况下，你必须检查每一层是否恰好传递了一个输入？（输出层除外）

非常感谢

Answer 1

我终于找到了答案。模块 class（以及继承的 class g模块）有一个输入和一个输出。

但是，输入（以及输出）不必是向量，但它可以是向量的集合 - 这取决于神经网络配置，在这种特殊情况下，它是一个非常复杂的递归神经网络网.

所以如果网络有多个输入向量，你可以这样做：

result_var = gmodule:forward{[1]=tensor_1,[2]=tensor_2,[3]=tensor_3,...,[5]=tensor_5}

其中每个 tensor/vector 是输入向量之一。这些向量中只有一个是 X 向量或特征向量。其他的可以作为其他中间节点的输入。

反过来，result_var（即输出）可以将一个输出作为张量（预测）或一组张量作为输出（一组张量），具体取决于网络配置。

如果是后者，这些输出张量之一就是预测，并且提醒通常用作下一个时间步中中间节点的输入——但这又取决于网络配置。

Torch, neural nets - forward function on gmodule object - nngraph class