2020-10-19 21:48:57

docs/pytorch/18.md

@@ -14,7 +14,7 @@
 
 ![](img/22309cd02ee52b3a65e1f0022e8b964e.png)
 
-```
+```py
 import torch
 from torch import nn
 from torch.autograd import Variable
@@ -34,7 +34,7 @@ DOWNLOAD_MNIST = False  # set to True if haven\'t download the data
 
 这一次的 RNN, 我们对每一个 r_out  都得放到 Linear  中去计算出预测的 output , 所以我们能用一个 for loop 来循环计算. **这点是 Tensorflow 望尘莫及的!** 除了这点, 还有一些动态的过程都可以在这个教程中查看, 看看我们的 PyTorch 和 Tensorflow 到底哪家强.
 
-```
+```py
 class RNN(nn.Module):
     def __init__(self):
         super(RNN, self).__init__()
@@ -70,7 +70,7 @@ RNN (
 
 其实熟悉 RNN 的朋友应该知道, forward  过程中的对每个时间点求输出还有一招使得计算量比较小的. 不过上面的内容主要是为了呈现 PyTorch 在动态构图上的优势, 所以我用了一个 for  loop  来搭建那套输出系统. 下面介绍一个替换方式. 使用 reshape 的方式整批计算.
 
-```
+```py
 def forward(self, x, h_state):
     r_out, h_state = self.rnn(x, h_state)
     r_out_reshaped = r_out.view(-1, HIDDEN_SIZE) # to 2D data
@@ -84,7 +84,7 @@ def forward(self, x, h_state):
 
 ![](img/f38868821469cadc36810cfd827511d1.png)
 
-```
+```py
 optimizer = torch.optim.Adam(rnn.parameters(), lr=LR)   # optimize all rnn parameters
 loss_func = nn.MSELoss()