【深度学习】深度学习实验四——循环神经网络（RNN）、dataloader、长短期记忆网络（LSTM）、门控循环单元（GRU）、超参数对比

一、实验内容

实验内容包含要进行什么实验，实验的目的是什么，实验用到的算法及其原理的简单介绍。

1.1 循环神经网络

（1）理解序列数据处理方法，补全面向对象编程中的缺失代码，并使用torch自带数据工具将数据封装为dataloader。
（2）分别采用手动方式以及调用接口方式实现RNN、LSTM和GRU，并在至少一种数据集上进行实验。
（3）从训练时间、预测精度、Loss变化等角度对比分析RNN、LSTM和GRU在相同数据集上的实验结果（最好使用图表展示）。
（4）不同超参数的对比分析（包括hidden_size、batchsize、lr等） 选其中至少1-2个进行分析。

二、实验设计

若实验内容皆为指定内容，则此部分则可省略；若实验内容包括自主设计模型等内容，则需要在此部分写明设计思路、流程，并画出模型图并使用相应的文字进行描述。

三、实验环境及实验数据集

简单介绍实验环境和涉及的数据集：

环境：

Python3.11+pytorch+pycharm

操作系统：

Windows11

数据集：

在所给的两个数据集中，实验中选用的是车辆分类数据集。数据集中共包含1358张车辆图片，分别属于汽车、客车和货车三类。其中汽车有779张，货车有360张，客车有218张