我正在阅读一些有关使用lstm网络进行情感分析的教程。 下面的代码说，它堆叠了lstm输出。我不知道它是如何工作的。
lstm_out = lstm_out.contiguous().view(-1, self.hidden_dim)
答案 0 :(得分：0)
它的确堆积了输出，kHarshit的评论在这里误导了！
为直观起见，让我们回顾一下教程中前一行的输出（2019年5月1日访问）：
lstm_out, hidden = self.lstm(embeds, hidden)
根据the documentation，其输出维度为[sequence_length, batch_size, hidden_size*2]。在这里，两倍的输入长度来自双向LSTM。因此，最后一维的前半部分将始终是前向输出，然后是后向输出（我不确定该方向，但是在我看来，它已经朝着正确的方向）。
然后，您要关注的实际行：
我们在这里忽略了.contiguous()的细节，但是您可以在this excellent answer on Stackoverflow中进行阅读。总而言之，它基本上可以确保您的torch.Tensor在内存中对齐正确。
最后，.view()允许您以特定方式重塑结果张量。在这里，我们的目标是具有两个维度的形状（由.view()的输入参数的数量定义。具体来说，第二个维度的大小应为hidden_dim。-1对于第一个维度，仅意味着我们将重新分配矢量维度，而不必关心确切的维度，而只是满足另一个维度的要求。
因此，如果您有一个长度为40的矢量，并且想要将其重塑为(-1, 10)的2D张量，那么生成的张量将具有(4, 10)的形状。
正如我们之前说过的，向量的前半部分（长度hidden_dim）是前向输出，后半部分是后半部分，然后将结果分成张量{{1} }将产生张量(-1, hidden_dim)，其中第一行包含正向输出，“堆叠”在第二行的顶部，等于反向层的输出。
视觉示例：
(2, hidden_dim)