LSTMCell¶
- class torch.nn.LSTMCell(input_size, hidden_size, bias=True, device=None, dtype=None)[source][source]¶
长短期记忆 (LSTM) 单元。
其中 是 sigmoid 函数,而 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 中特征的数量
bias (bool) – 如果
False
,则该层不使用偏置权重 b_ih 和 b_hh。默认值:True
- 输入:input, (h_0, c_0)
input 的形状 (batch, input_size) 或 (input_size):包含输入特征的张量
h_0 的形状 (batch, hidden_size) 或 (hidden_size):包含初始隐藏状态的张量
c_0 的形状 (batch, hidden_size) 或 (hidden_size):包含初始单元状态的张量
如果未提供 (h_0, c_0),则 h_0 和 c_0 均默认为零。
- 输出:(h_1, c_1)
h_1 的形状 (batch, hidden_size) 或 (hidden_size):包含下一个隐藏状态的张量
c_1 的形状 (batch, hidden_size) 或 (hidden_size):包含下一个单元状态的张量
- 变量
weight_ih (torch.Tensor) – 可学习的输入到隐藏权重,形状为 (4*hidden_size, input_size)
weight_hh (torch.Tensor) – 可学习的隐藏到隐藏权重,形状为 (4*hidden_size, hidden_size)
bias_ih – 可学习的输入到隐藏偏置,形状为 (4*hidden_size)
bias_hh – 可学习的隐藏到隐藏偏置,形状为 (4*hidden_size)
注意
所有权重和偏置均从 其中
在某些 ROCm 设备上,当使用 float16 输入时,此模块将对后向传播使用不同的精度。
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)