快捷方式

RNNCell

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

具有 tanh 或 ReLU 非线性函数的 Elman RNN 单元。

h=tanh(Wihx+bih+Whhh+bhh)h' = \tanh(W_{ih} x + b_{ih} + W_{hh} h + b_{hh})

如果 nonlinearity‘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) – 隐藏状态 h 中特征的数量

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

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

输入:input,hidden
  • input:包含输入特征的张量

  • hidden:包含初始隐藏状态的张量。如果未提供,则默认为零。

输出:h’
  • h’ 形状为 (batch, hidden_size):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 (hidden_size, input_size)

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

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

  • bias_hh – 可学习的隐藏-隐藏偏置,形状为 (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}}

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)

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人员的深度教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源