快捷方式

LSTMCell

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

长短期记忆 (LSTM) 单元。

i=σ(Wiix+bii+Whih+bhi)f=σ(Wifx+bif+Whfh+bhf)g=tanh(Wigx+big+Whgh+bhg)o=σ(Wiox+bio+Whoh+bho)c=fc+igh=otanh(c)\begin{array}{ll} i = \sigma(W_{ii} x + b_{ii} + W_{hi} h + b_{hi}) \\ f = \sigma(W_{if} x + b_{if} + W_{hf} h + b_{hf}) \\ g = \tanh(W_{ig} x + b_{ig} + W_{hg} h + b_{hg}) \\ o = \sigma(W_{io} x + b_{io} + W_{ho} h + b_{ho}) \\ c' = f \odot c + i \odot g \\ h' = o \odot \tanh(c') \\ \end{array}

其中 σ\sigma 是 sigmoid 函数,\odot 是 Hadamard 积。

参数
  • input_size (int) – 输入 x 中预期特征的数量

  • hidden_size (int) – 隐藏状态 h 中的特征数量

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

输入:input, (h_0, c_0)
  • input 形状为 (batch, input_size)(input_size):包含输入特征的张量

  • h_0 形状为 (batch, hidden_size)(hidden_size):包含初始隐藏状态的张量

  • c_0 形状为 (batch, hidden_size)(hidden_size):包含初始单元状态的张量

    如果没有提供 (h_0, c_0),则 **h_0** 和 **c_0** 默认都为零。

输出:(h_1, c_1)
  • h_1 形状为 (batch, hidden_size)(hidden_size):包含下一个隐藏状态的张量

  • c_1 形状为 (batch, hidden_size)(hidden_size):包含下一个单元状态的张量

变量
  • weight_ih (torch.Tensor) – 可学习的输入-隐藏权重,形状为 (4*hidden_size, input_size)

  • weight_hh (torch.Tensor) – 可学习的隐藏-隐藏权重,形状为 (4*hidden_size, hidden_size)

  • bias_ih – 可学习的输入-隐藏偏差,形状为 (4*hidden_size)

  • bias_hh – 可学习的隐藏-隐藏偏差,形状为 (4*hidden_size)

注意

所有权重和偏差都从 U(k,k)\mathcal{U}(-\sqrt{k}, \sqrt{k}) 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 用于反向传播。

示例

>>> rnn = nn.LSTMCell(10, 20)  # (input_size, hidden_size)
>>> input = torch.randn(2, 3, 10)  # (time_steps, batch, input_size)
>>> hx = torch.randn(3, 20)  # (batch, hidden_size)
>>> cx = torch.randn(3, 20)
>>> output = []
>>> for i in range(input.size()[0]):
...     hx, cx = rnn(input[i], (hx, cx))
...     output.append(hx)
>>> output = torch.stack(output, dim=0)

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取针对初学者和高级开发者的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源