mindspore.nn.LSTMCell

class mindspore.nn.LSTMCell(input_size: int, hidden_size: int, has_bias: bool = True, dtype=mstype.float32)

长短期记忆网络单元（LSTMCell）。

公式如下：

$$\begin{array}{r}\begin{array}{l}\\ i_t=\sigma (W_{ix}{x}_t+b_{ix}+W_{ih}{h}_{(t-1)}+b_{ih})\\ f_t=\sigma (W_{fx}{x}_t+b_{fx}+W_{fh}{h}_{(t-1)}+b_{fh})\\ {\tilde{c}}_t=\tanh (W_{cx}{x}_t+b_{cx}+W_{ch}{h}_{(t-1)}+b_{ch})\\ o_t=\sigma (W_{ox}{x}_t+b_{ox}+W_{oh}{h}_{(t-1)}+b_{oh})\\ c_t=f_t\ast c_{(t-1)}+i_t\ast {\tilde{c}}_t\\ h_t=o_t\ast \tanh (c_t)\end{array}\end{array}$$

其中 $\sigma$ 是sigmoid函数， $\ast$ 是乘积。 $W,b$ 是公式中输出和输入之间的可学习权重。例如，$W_{ix},b_{ix}$ 是表示从输入 $x$ 转换为 $i$ 的权重和偏置。详见论文 LONG SHORT-TERM MEMORY 和 Long Short-Term Memory Recurrent Neural Network Architectures for Large Scale Acoustic Modeling 。

nn层封装的LSTMCell可以简化为如下公式：

$$h^{{}^{\prime }},c^{{}^{\prime }}=LSTMCell(x,(h_0,c_0))$$

参数：

• input_size (int) - 输入的大小。

• hidden_size (int) - 隐藏状态大小。

• has_bias (bool) - cell是否有偏置 b_ih 和 b_hh 。默认值： True 。

• dtype (mindspore.dtype) - Parameters的dtype。默认值： mstype.float32 。

输入：

• x (Tensor) - shape为 $(batch\mathrm{\_}size,input\mathrm{\_}size)$ 的Tensor。

• hx (tuple) - 两个Tensor(h_0,c_0)的元组，其数据类型为mindspore.float32，shape为 $(batch\mathrm{\_}size,hidden\mathrm{\_}size)$。

输出：

• hx' (Tensor) - 两个Tensor(h', c')的元组，其shape为 $(batch\mathrm{\_}size,hidden\mathrm{\_}size)$ 。

异常：

• TypeError - input_size， hidden_size 不是整数。

• TypeError - has_bias 不是bool。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore as ms
>>> import numpy as np
>>> net = ms.nn.LSTMCell(10, 16)
>>> x = ms.Tensor(np.ones([5, 3, 10]).astype(np.float32))
>>> h = ms.Tensor(np.ones([3, 16]).astype(np.float32))
>>> c = ms.Tensor(np.ones([3, 16]).astype(np.float32))
>>> output = []
>>> for i in range(5):
...     hx = net(x[i], (h, c))
...     output.append(hx)
>>> print(output[0][0].shape)
(3, 16)