GRU¶
- class torch.ao.nn.quantized.dynamic.GRU(*args, **kwargs)[source]¶
将多层门控循环单元 (GRU) RNN 应用于输入序列。
对于输入序列中的每个元素,每一层都计算以下函数
其中 是时间 t 时的隐藏状态, 是时间 t 时的输入, 是时间 t-1 时该层的隐藏状态或时间 0 时的初始隐藏状态,而 ,, 分别是重置门、更新门和新门。 是 sigmoid 函数, 是 Hadamard 积。
在多层 GRU 中,第 层 () 的输入 是前一层隐藏状态 乘以 dropout ,其中每个 是一个伯努利随机变量,以概率
dropout
等于 。- 参数
input_size – 输入 x 中期望的特征数量
hidden_size – 隐藏状态 h 中的特征数量
num_layers – 循环层的数量。例如,设置
num_layers=2
表示将两个 GRU 堆叠在一起形成一个 stacked GRU,第二个 GRU接收第一个 GRU 的输出并计算最终结果。默认值:1bias – 如果
False
,则该层不使用偏差权重 b_ih 和 b_hh。默认值:True
batch_first – 如果
True
,则输入和输出张量将以 (batch, seq, feature) 的形式提供。默认值:False
dropout – 如果非零,则在除最后一层之外的每个 GRU 层的输出上引入一个 Dropout 层,dropout 概率等于
dropout
。默认值:0bidirectional – 如果
True
,则变为双向 GRU。默认值:False
- 输入:input, h_0
input 形状为 (seq_len, batch, input_size):包含输入序列特征的张量。输入也可以是打包的可变长度序列。有关详细信息,请参阅
torch.nn.utils.rnn.pack_padded_sequence()
。h_0 形状为 (num_layers * num_directions, batch, hidden_size):包含批次中每个元素的初始隐藏状态的张量。如果未提供,则默认为零。如果 RNN 是双向的,则 num_directions 应为 2,否则应为 1。
- 输出:output, h_n
output 形状为 (seq_len, batch, num_directions * hidden_size):包含来自 GRU 最后一层的输出特征 h_t 的张量,对于每个 t。如果已将
torch.nn.utils.rnn.PackedSequence
作为输入给出,则输出也将是一个打包的序列。对于解包的情况,可以使用output.view(seq_len, batch, num_directions, hidden_size)
分离方向,其中前向和后向分别为方向 0 和 1。同样,可以在打包的情况下分离方向。
h_n 形状为 (num_layers * num_directions, batch, hidden_size):包含 t = seq_len 时刻隐藏状态的张量。
与 output 类似,可以使用
h_n.view(num_layers, num_directions, batch, hidden_size)
将各层分离。
- 形状
输入1: 张量,包含输入特征,其中 且 L 表示序列长度。
输入2: 张量,包含批次中每个元素的初始隐藏状态。 。如果未提供,则默认为零。其中 。如果 RNN 是双向的,则 num_directions 应为 2,否则应为 1。
输出1:,其中 。
输出2: 张量,包含批次中每个元素的下一个隐藏状态。
- 变量
weight_ih_l[k] – 第 层的可学习输入-隐藏权重 (W_ir|W_iz|W_in),对于 k = 0,形状为 (3*hidden_size, input_size)。否则,形状为 (3*hidden_size, num_directions * hidden_size)。
weight_hh_l[k] – 第 层的可学习隐藏-隐藏权重 (W_hr|W_hz|W_hn),形状为 (3*hidden_size, hidden_size)。
bias_ih_l[k] – 第 层的可学习输入-隐藏偏置 (b_ir|b_iz|b_in),形状为 (3*hidden_size)。
bias_hh_l[k] – 第 层的可学习隐藏-隐藏偏置 (b_hr|b_hz|b_hn),形状为 (3*hidden_size)。
注意
所有权重和偏置都从 初始化,其中
注意
新门的计算与原始论文和其他框架略有不同。在原始实现中,与前一个隐藏状态之间的哈达玛积是在与权重矩阵W相乘并加上偏置之前进行的。
这与 PyTorch 的实现形成对比,PyTorch 的实现是在
( t − 1 ) W_{hn} h_{(t-1)} 之后进行的。此实现出于效率考虑而有意不同。
注意
如果满足以下条件:1) 启用了 cudnn,2) 输入数据位于 GPU 上 3) 输入数据的数据类型为
torch.float16
4) 使用 V100 GPU,5) 输入数据不是PackedSequence
格式,则可以选择持久算法来提高性能。示例
>>> rnn = nn.GRU(10, 20, 2) >>> input = torch.randn(5, 3, 10) >>> h0 = torch.randn(2, 3, 20) >>> output, hn = rnn(input, h0)