PyTorchのtorch.nn.LSTMクラスを使用して、LSTMをモデルに簡単にレイヤーとして追加できます。
torch.nn.LSTMの主なパラメータは以下の通りです：
input_size：入力xの特徴量の数hidden_size：隠れ状態の特徴量の数num_layers：LSTMを重ねる層の数（デフォルトは1）bias：バイアスを使用するかどうか（デフォルトはTrue）batch_first：入力と出力のテンソルの形状が(batch,seq,feature)になるようにするかどうか（デフォルトはFalse）dropout：ドロップアウトを適用する確率（デフォルトは0、つまりドロップアウトなし）bidirectional：双方向LSTMを使用するかどうか（デフォルトはFalse）
2入力¶
input_size=10：各入力要素の特徴の数（入力ベクトルの次元数）は10ですhidden_size=20：隠れ状態とセル状態の各ベクトルのサイズは20ですnum_layers=2： LSTMの層の数は2です最初のLSTM層は入力シーケンスを受け取り、それを処理して一連の隠れ状態を生成します。
最初の層の出力（隠れ状態）は、次のLSTM層の入力となります。これが複数層にわたって繰り返されます。
import torch
import torch.nn as nn
# LSTMのインスタンス化
lstm = nn.LSTM(input_size=10, hidden_size=20,num_layers=2)入力データの生成（例：バッチサイズ=3, シーケンス長=5）
input = torch.randn(5, 3, 10)h0:隠れ状態の初期値h0のサイズは(num_layers * num_directions, batch_size, hidden_size)になりますnum_directions:LSTMが単方向か双方向かを示し（単方向の場合は1、双方向の場合は2）
c0:セル状態の初期値c0のサイズは同様に(num_layers * num_directions, batch_size, hidden_size)になります
# 隠れ状態とセル状態の初期化
h0 = torch.randn(2, 3, 20)
c0 = torch.randn(2, 3, 20)3出力¶
torch.nn.LSTMの出力は、出力テンソル（通常は output と呼ばれます）と隠れ状態（h_n と c_n）から構成されています
# 順伝播
output, (hn, cn) = lstm(input, (h0, c0))print(f"output: {output.shape}")
print(f"hn: {hn.shape}")
print(f"cn: {cn.shape}")output: torch.Size([5, 3, 20])
hn: torch.Size([2, 3, 20])
cn: torch.Size([2, 3, 20])
出力テンソル（
output）シーケンス内の各時点におけるLSTMの隠れ状態を含んでいます。
サイズは
(seq_len, batch, num_directions * hidden_size)になります。
最終隠れ状態(
h_n)LSTMの最終的な隠れ状態です。
サイズは
(num_layers * num_directions, batch, hidden_size)になります。
最終セル状態(
c_n)LSTMの最終的なセル状態です。長期的な依存関係をどのように「記憶」しているかを示します。
サイズは
(num_layers * num_directions, batch, hidden_size)です
タスクに応じて、torch.nn.LSTMの出力を扱う必要があります。例えば、テキスト生成、機械通訳、文書分類はそれぞれどの出力を使うべきですか？