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。
其中 表示 sigmoid 函数, 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_ih 和 b_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 或 ,其中 = input_size。
隐藏状态: 包含初始隐藏状态的张量,形状为 或 ,其中 = 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 或 。
- 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 初始化,其中
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)