全球人名分类案例 - 测试 RNN 模型

1 课程概览

本课测试搭建好的 RNN 模型。流程包括：实例化模型、准备数据、给模型喂数据。测试时使用真实数据（如"欧阳"等人名），验证模型能否正常前向传播。

2 核心概念与定义

• 模型实例化：创建模型对象并传入参数。
• 前向传播测试：验证模型能否正常处理输入数据。
• 批次维度（Batch Dimension）：RNN 输入需要 (seq_len, batch, input_size) 三维形状。

3 模型与算法详解

测试流程

1. 实例化 RNN 对象：传入 input_size=57、hidden_size=128、output_size=18
2. 准备数据：人名转换为 one-hot 编码
3. 初始化隐藏状态：h0 = torch.zeros(1, 1, 128)
4. 前向传播：output, hn = model(input, h0)
5. 查看输出形状：output 形状为 (1, 18)

输入数据形状

模型结构验证

RNN(57, 128) → Linear(128, 18) → LogSoftmax

4 数学原理与推导

前向传播

$$H_t = \tanh(W_{ih} X_t + W_{hh} H_{t-1} + b_h)$$

$$Y = \text{LogSoftmax}(W_{hy} H_{last} + b_y)$$

输出形状推导

• 输入：$(L, 1, 57)$
• RNN 输出：$(L, 1, 128)$
• 取最后时间步：$(1, 128)$
• 全连接层：$(1, 18)$
• LogSoftmax：$(1, 18)$

5 代码示例

import torch
from 模型文件 import MyRNN

def dm_test_my_rnn():
    # 1. 实例化 RNN 对象
    my_rnn = MyRNN(
        input_size=57,      # 词向量维度（字符表大小）
        hidden_size=128,    # 隐藏层维度
        output_size=18,     # 输出维度（国家数量）
        n_layers=1          # RNN 层数
    )
    
    # 打印模型结构
    print("MyRNN:", my_rnn)
    # 输出：
    # RNN(57, 128)
    # Linear(128, 18)
    # LogSoftmax(dim=1)
    
    # 2. 准备数据（人名的 one-hot 编码）
    # 例如 "欧阳" → 6 个字符 → (6, 57)
    # 这里用随机数据演示
    input = torch.randn(6, 57)  # seq_len=6, input_size=57
    
    # 3. 初始化隐藏状态
    hidden = my_rnn.initHidden()  # (1, 1, 128)
    
    # 4. 前向传播
    output, hn = my_rnn(input, hidden)
    
    # 5. 查看输出形状
    print("output shape:", output.shape)  # torch.Size([1, 18])
    print("hn shape:", hn.shape)          # torch.Size([1, 1, 128])
    
    # 6. 查看输出内容
    print("output:", output)
    print("hn:", hn)


# 运行测试
dm_test_my_rnn()

输出示例

MyRNN: MyRNN(
  (rnn): RNN(57, 128)
  (linear): Linear(in_features=128, out_features=18, bias=True)
  (softmax): LogSoftmax(dim=1)
)
output shape: torch.Size([1, 18])
hn shape: torch.Size([1, 1, 128])

6 重难点与易错提醒

• ❗重点：测试流程：实例化 → 准备数据 → 初始化隐藏状态 → 前向传播。
• ⚠️易错：输入数据需要是 (seq_len, input_size) 形状，forward 内部会添加批次维度。
• ⚠️易错：隐藏状态形状为 (num_layers, batch, hidden_size)。
• 💡深入理解：output 形状为 (batch, output_size)，即 (1, 18)。
• 💡深入理解：测试时使用真实数据，而非随机生成的数据。

7 课堂问答精选

Q1：测试 RNN 模型的流程是什么？

A：①实例化模型对象；②准备输入数据（人名的 one-hot 编码）；③初始化隐藏状态；④前向传播；⑤查看输出形状和内容。

Q2：为什么 forward 中要给 input 添加批次维度？

A：因为外部传入的 input 形状为 (seq_len, input_size)，而 RNN 需要的形状为 (seq_len, batch, input_size)，所以在 forward 中用 unsqueeze(1) 添加批次维度。

Q3：output 和 hn 的形状是什么？

A：output 形状为 (1, 18)，即 1 个样本的 18 个国家的对数概率。hn 形状为 (1, 1, 128)，即最后一个时间步的隐藏状态。

8 本课小结

• 测试流程：实例化 → 准备数据 → 初始化隐藏状态 → 前向传播。
• 输入形状：(seq_len, input_size)，forward 内部添加批次维度。
• 隐藏状态形状：(num_layers, batch, hidden_size)。
• 输出形状：(batch, output_size) = (1, 18)。
• 测试时使用真实数据验证模型。

9 延伸思考

• 如何将人名转换为 one-hot 编码？
• 如何从输出概率中获取预测的国家？