文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

PR

小问题，全程线上修改...

一键搞定！

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindspore.ops.LSTM

class mindspore.ops.LSTM(input_size, hidden_size, num_layers, has_bias, bidirectional, dropout, proj_size=0)

对输入执行长短期记忆（LSTM）网络。

有关详细信息，请参见 mindspore.nn.LSTM 。

参数：

• input_size (int) - 输入的大小。

• hidden_size (int) - 隐藏状态大小。

• num_layers (int) - LSTM的网络层数，当前CPU只支持 1。

• has_bias (bool) - Cell是否有偏置 b_ih 和 b_hh ，当前CPU只支持 False。

• bidirectional (bool) - 是否为双向LSTM，当前CPU只支持 False。

• dropout (float) - 指的是除第一层外每层输入时的dropout概率。dropout的范围为[0.0, 1.0]。

• proj_size (int) - 如果大于0，则会使用对应大小的投影，当前只支持CPU后端。默认值: 0。

输入：

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

• h (tuple) - shape为 $(num\mathrm{\_}directions\ast num\mathrm{\_}layers,batch\mathrm{\_}size,real\mathrm{\_}hidden\mathrm{\_}size)$ 的Tensor。

• c (tuple) - shape为 $(num\mathrm{\_}directions\ast num\mathrm{\_}layers,batch\mathrm{\_}size,hidden\mathrm{\_}size)$ 的Tensor。

• w (Tensor) - 权重。

如果 $proj\mathrm{\_}size>0$ , $real\mathrm{\_}hidden\mathrm{\_}size=proj\mathrm{\_}size$ , 否则 $real\mathrm{\_}hidden\mathrm{\_}size=hidden\mathrm{\_}size$ 。

输出：

tuple，tuple包含 (output, h_n, c_n, reserve, state) 。

• output (Tensor) - shape为 $(seq\mathrm{\_}len,batch\mathrm{\_}size,num\mathrm{\_}directions\ast real\mathrm{\_}hidden\mathrm{\_}size)$ 的Tensor。

• h_n (Tensor) - shape为 $(num\mathrm{\_}directions\ast num\mathrm{\_}layers,batch\mathrm{\_}size,real\mathrm{\_}hidden\mathrm{\_}size)$ 的Tensor。

• c_n (Tensor) - shape为 $(num\mathrm{\_}directions\ast num\mathrm{\_}layers,batch\mathrm{\_}size,hidden\mathrm{\_}size)$ 的Tensor。

• reserve (Tensor) - shape为 $(r,1)$ 。

• state (Tensor) - 使用随机数生成状态及其shape为 $(s,1)$ 。

异常：

• TypeError - 如果 input_size ， hidden_size 或 num_layers 不是int。

• TypeError - 如果 has_bias 或 bidirectional 不是bool。

• TypeError - 如果 dropout 不是float。

• ValueError - 如果 dropout 不在范围[0.0, 1.0]内。

• ValueError - 如果 proj_size 不在范围[0, hidden_size)内。

支持平台：

GPU CPU

样例：

>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> input_size = 10
>>> hidden_size = 2
>>> num_layers = 1
>>> seq_len = 5
>>> batch_size = 2
>>>
>>> net = ops.LSTM(input_size, hidden_size, num_layers, True, False, 0.0)
>>> input_tensor = Tensor(np.ones([seq_len, batch_size, input_size]).astype(np.float32))
>>> h0 = Tensor(np.ones([num_layers, batch_size, hidden_size]).astype(np.float32))
>>> c0 = Tensor(np.ones([num_layers, batch_size, hidden_size]).astype(np.float32))
>>> w = Tensor(np.ones([112, 1, 1]).astype(np.float32))
>>> output, hn, cn, _, _ = net(input_tensor, h0, c0, w)
>>> print(output)
[[[0.9640267  0.9640267 ]
  [0.9640267  0.9640267 ]]
 [[0.9950539  0.9950539 ]
  [0.9950539  0.9950539 ]]
 [[0.99932843 0.99932843]
  [0.99932843 0.99932843]]
 [[0.9999084  0.9999084 ]
  [0.9999084  0.9999084 ]]
 [[0.9999869  0.9999869 ]
  [0.9999869  0.9999869 ]]]