RNNCell

class torch.nn.RNNCell(input_size, hidden_size, bias=True, nonlinearity='tanh', device=None, dtype=None)

带有 tanh 或 ReLU 非线性的 Elman RNN Cell。

$$h' = \tanh(W_{ih} x + b_{ih} + W_{hh} h + b_{hh})$$

如果 nonlinearity 是 ‘relu’，则使用 ReLU 代替 tanh。

参数

• input_size (int) – 输入 x 中预期特征的数量

• hidden_size (int) – 隐状态 h 中的特征数量

• 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

• nonlinearity (str) – 要使用的非线性激活函数。可以是 'tanh' 或 'relu'。默认值：'tanh'

输入：input, hidden

• input: 包含输入特征的张量

• hidden: 包含初始隐状态的张量。如果未提供，则默认为零。

输出：h’

• 形状为 (batch, hidden_size) 的 h’: 包含批次中每个元素的下一个隐状态的张量

形状

• input: $(N, H_{in})$ or $(H_{in})$ tensor containing input features where $H_{in}$ = input_size.

• hidden: $(N, H_{out})$ or $(H_{out})$ tensor containing the initial hidden state where $H_{out}$ = hidden_size。如果未提供，则默认为零。

• output: $(N, H_{out})$ or $(H_{out})$ 包含下一个隐状态的张量。

变量

• weight_ih (torch.Tensor) – 可学习的输入到隐层权重，形状为 (hidden_size, input_size)

• weight_hh (torch.Tensor) – 可学习的隐层到隐层权重，形状为 (hidden_size, hidden_size)

• bias_ih – 可学习的输入到隐层偏置，形状为 (hidden_size)

• bias_hh – 可学习的隐层到隐层偏置，形状为 (hidden_size)

注意

所有权重和偏置均从 $\mathcal{U}(-\sqrt{k}, \sqrt{k})$ 中初始化，其中 $k = \frac{1}{\text{hidden\_size}}$

示例

>>> rnn = nn.RNNCell(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)