快捷方式

GRUCell

class torch.nn.GRUCell(input_size, hidden_size, bias=True, device=None, dtype=None)[source]

门控循环单元 (GRU) 单元。

r=σ(Wirx+bir+Whrh+bhr)z=σ(Wizx+biz+Whzh+bhz)n=tanh(Winx+bin+r(Whnh+bhn))h=(1z)n+zh\begin{array}{ll} r = \sigma(W_{ir} x + b_{ir} + W_{hr} h + b_{hr}) \\ z = \sigma(W_{iz} x + b_{iz} + W_{hz} h + b_{hz}) \\ n = \tanh(W_{in} x + b_{in} + r \odot (W_{hn} h + b_{hn})) \\ h' = (1 - z) \odot n + z \odot h \end{array}

其中 σ\sigma 表示 sigmoid 函数,\odot 表示哈达玛积。

参数
  • input_size (int) – 输入特征 x 的期望数量

  • hidden_size (int) – 隐藏状态 h 的特征数量

  • bias (bool) – 如果为 False,则该层不使用偏置权重 b_ihb_hh。默认值:True

输入:input, hidden
  • input:包含输入特征的张量

  • hidden: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。

输出:h’
  • h’:包含批次中每个元素的下一个隐藏状态的张量

形状
  • 输入: 包含输入特征的张量,形状为 (N,Hin)(N, H_{in})(Hin)(H_{in}),其中 HinH_{in} = input_size

  • 隐藏状态: 包含初始隐藏状态的张量,形状为 (N,Hout)(N, H_{out})(Hout)(H_{out}),其中 HoutH_{out} = hidden_size。如果未提供,则默认为零。

  • 输出: 包含下一个隐藏状态的张量,形状为 (N,Hout)(N, H_{out})(Hout)(H_{out})

变量
  • weight_ih (torch.Tensor) – 可学习的输入-隐藏权重,形状为 (3*hidden_size, input_size)

  • weight_hh (torch.Tensor) – 可学习的隐藏-隐藏权重,形状为 (3*hidden_size, hidden_size)

  • bias_ih – 可学习的输入-隐藏偏置,形状为 (3*hidden_size)

  • bias_hh – 可学习的隐藏-隐藏偏置,形状为 (3*hidden_size)

注意

所有权重和偏置都从 U(k,k)\mathcal{U}(-\sqrt{k}, \sqrt{k}) 初始化,其中 k=1hidden_sizek = \frac{1}{\text{hidden\_size}}

在某些 ROCm 设备上,当使用 float16 输入时,此模块将使用 不同的精度 进行反向传播。

示例

>>> rnn = nn.GRUCell(10, 20)
>>> input = torch.randn(6, 3, 10)
>>> hx = torch.randn(3, 20)
>>> output = []
>>> for i in range(6):
...     hx = rnn(input[i], hx)
...     output.append(hx)

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

为初学者和高级开发者提供深入的教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源