PyTorch中的LSTM（Long Short-Term Memory）和GRU（Gated Recurrent Unit）是通过torch.nn模块实现的。在PyTorch中，可以使用torch.nn.LSTM和torch.nn.GRU类来创建LSTM和GRU模型。
下面是一个简单的例子，演示如何使用PyTorch中的LSTM和GRU：
import torch
import torch.nn as nn
# 定义输入数据
input_size = 10
hidden_size = 20
seq_len = 5
batch_size = 3
input_data = torch.randn(seq_len, batch_size, input_size)
# 使用LSTM
lstm = nn.LSTM(input_size, hidden_size)
output, (h_n, c_n) = lstm(input_data)
print("LSTM output shape:", output.shape)
print("LSTM hidden state shape:", h_n.shape)
print("LSTM cell state shape:", c_n.shape)
# 使用GRU
gru = nn.GRU(input_size, hidden_size)
output, h_n = gru(input_data)
print("GRU output shape:", output.shape)
print("GRU hidden state shape:", h_n.shape)
在上面的例子中，我们首先定义了输入数据的维度，并使用torch.nn.LSTM和torch.nn.GRU类分别创建了一个LSTM和一个GRU模型。然后，我们将输入数据传递给这两个模型，并输出它们的输出和隐藏状态的形状。
值得注意的是，LSTM和GRU模型的输出形状可能会有所不同，具体取决于输入数据的维度和模型的参数设置。通常，输出形状将包含序列长度、批次大小和隐藏单元数量等信息。
