LSTM 神经网络设计，双向输出结果需要折叠吗？

[Richard14]

前几天在 v2 发了个 DL 相关的帖子受到很多帮助。最近又遇到一个问题是，如果我想跑一个自行设计的网络结构，如果以 LSTM 输出结果接线性层那么前者应该输出单层，但如果想接到 cnn 上是否要要把输出结果转换成双层呢？

比如 batch_size 设置为 32 ，一个句子有 20 个词，一个词有 8 个维度表示，那么一个 LSTM 层的输出结构应该类似以下：

tensor([32, 20, 8]) -> (转换成[32, 8, 20]) -> nn.LSTM(20, 64) -> tensor([32, 8, 64])

但是因为分析句子，双向分析似乎是比较合理的，那么当把 nn.LSTM 设置为双向后，它的输出结果会变成[32,8,128]，这时候如果再接入 1dCNN 的话，感觉 CNN 的窗口捕捉不太符合人类逻辑？

所以有必要转换成[32,8,2,64]，或者转换成[32,16,64]这种的吗？ LSTM 的输出结果一般认为还有序列特性吗？还是完全无法理解的高维信息？

[rpman]

恭喜你发现了 bidirectional LSTM
然后你还会发现 highway LSTM
然后你还会发现怎么改都不如 Attention
然后发现 Transformer

[Richard14]

@rpman 没有啥发现不发现的吧，现在就是在按顺序学习，但是没有老师学得不好。1L 忘说了，位置编码对情感分析类任务应该是效果更好的，但是我觉得序列任务 lstm 肯定还是有用处不能不了解，所以这贴里不讨论位置编码相关的。。

[rpman]

@Richard14 正经回答吧
你这里 1dCNN 是接在 timestep 上，是否 concat 双向 embedding 对结果并没有影响

[rpman]

双向 RNN 说是双向，但它只能 look forward 或者 look backward 。
要更 general 就只能堆叠层数，但 RNN 在 timestep 上的 dependency 非常影响性能，LSTM 更是搓得不行。印象里当年就没超过 4 层的。
既然你要做分析句子，早日放弃 RNN 早日获得新生。