RNN模型案例演示：

import torch
import torch.nn as nn


class RNN(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        """
        初始化函数中的三个参数，分别是输入层张量最后一维的尺寸大小，隐藏层张量最后一维的尺寸大小，输出层张量最后一维的尺寸大小
        :param input_size: 入层张量最后一维的尺寸大小
        :param hidden_size: 隐藏层张量最后一维的尺寸大小
        :param output_size: 输出层张量最后一维的尺寸大小
        """
        super(RNN, self).__init__()
        # 传入隐藏层尺寸大小
        self.hidden_size = hidden_size
        """
        构建从输入层到隐藏层的线性变化，这个线性层的输入尺寸是 input_size + hidden_size
        这是因为在循环网络中，每次输入都有两部分组成，分别是当前时刻的输入x(t)和上一时刻产生的输出h（t-1）
        这个线性层的输出尺寸是 hidden_size
        """
        self.i2h = nn.Linear(input_size + hidden_size, hidden_size)
        """
        构建从输入层到输出层的线性变化，这个线性层的输入还是 input_size + hidden_size
        这个线性层的输出尺寸是 output_size
        """
        self.h2o = nn.Linear(input_size + hidden_size, output_size)
        # 最后，需要对输出做 softmax 处理，获取得接货
        self.softmax = nn.LogSoftmax(dim=-1)

    def forward(self, input, hidden):
        """
        在 forward 函数中，参数分别是规定尺寸的输入层张量，以及规定尺寸的初始化隐藏层张量
        :param input: 规定尺寸的输入层张量
        :param hidden: 规定尺寸的初始化隐藏层张量
        :return: 输出张量和最后的隐藏层结果
        """
        # 首先使用 torch.cat 将 input 和 hidden 进行张量拼接
        combined = torch.cat(input, hidden)
        # 通过输入层到影藏层变换获得 hidden 张量
        hidden = self.i2h(combined)
        # 通过输入层到输出层变换获得 output 张量
        output = self.i2o(combined)
        # 对输出进行 softmax 进行处理
        output = self.softmax(output)
        # 返回输出张量和最后的隐藏层结果
        return output, hidden

    def initHidden(self):
        """
        隐藏层初始化函数
        :return: 将隐藏层初始化为一个 1 x hidden_size 的全0张量
        x：乘法符号
        """
        return torch.zeros(1, self.hidden_size)