mindspore.nn.GRU

class mindspore.nn.GRU(*args, **kwargs)[源代码]

GRU（Gate Recurrent Unit）称为门控循环单元网络，是循环神经网络（Recurrent Neural Network, RNN）的一种。根据输出序列和给定的初始状态计算输出序列和最终状态。

应用GRU层到输入中。

GRU网络模型中有两个门。一个是更新门，另一个是重置门。将两个连续的时间节点表示为 \(t-1\) 和 \(t\)。给定一个在时刻 \(t\) 的输入 \(x_t\) ，一个隐藏状态 \(h_{t-1}\) ，在时刻 \(t\) 的更新门和重置门使用门控机制计算。更新门 \(z_t\) 用于控制前一时刻的状态信息被带入到当前状态中的程度。重置门 \(r_t\) 控制前一状态有多少信息被写入到当前候选集 \(n_t\) 上。完整的公式如下。

\[\begin{split}\begin{array}{ll} r_t = \sigma(W_{ir} x_t + b_{ir} + W_{hr} h_{(t-1)} + b_{hr}) \\ z_t = \sigma(W_{iz} x_t + b_{iz} + W_{hz} h_{(t-1)} + b_{hz}) \\ n_t = \tanh(W_{in} x_t + b_{in} + r_t * (W_{hn} h_{(t-1)}+ b_{hn})) \\ h_t = (1 - z_t) * n_t + z_t * h_{(t-1)} \end{array}\end{split}\]

其中 \(\sigma\) 是sigmoid激活函数， \(*\) 是乘积。 \(W,b\) 是公式中输出和输入之间的可学习权重。例如， \(W_{ir}, b_{ir}\) 是用于将输入 \(x\) 转换为 \(r\) 的权重和偏置。详见论文 Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation 。

Note

当GRU运行在Ascend上时，hidden size仅支持16的倍数。

参数：

  • input_size (int) - 输入的大小。

  • hidden_size (int) - 隐藏状态大小。

  • num_layers (int) - 网络层数。默认值：1。

  • has_bias (bool) - cell是否有偏置项 b_{in} 和 b_{hn} 。默认值：True。

  • batch_first (bool) - 指定输入 x 的第一个维度是否为batch_size。默认值：False。

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

  • bidirectional (bool) - 是否为双向GRU。如果bidirectional=True，则num_directions=2，为双向GRU。否则为1，单向GRU。默认值：False。

输入：

  • x (Tensor) - 数据类型为mindspore.float32、shape为(seq_len, batch_size, input_size)或(batch_size, seq_len, input_size)的tensor。

  • hx (Tensor) - 数据类型为mindspore.float32、shape为(num_directions * num_layers , batch_size, hidden_size )的tensor。 hx 的数据类型必须与 x 相同。

  • seq_length (Tensor) - 输入batch中每个序列的长度。shape为 (batch_size) 的Tensor。默认值：None。此输入指示填充前的真实序列长度，避免填充元素被用于计算隐藏状态而影响最终输出。当 x 含填充元素时，建议使用此输入。

输出：

Tuple，包含(output, h_n)的tuple。

  • output (Tensor) - shape为(seq_len, batch_size, num_directions * hidden_size)或(batch_size, seq_len, num_directions * hidden_size)的Tensor。

  • hx_n (Tensor) - shape为(num_directions * num_layers, batch_size, hidden_size)的Tensor。

异常：

  • TypeError - input_size ， hidden_size 或 num_layers 不是整数。

  • TypeError - has_bias ， batch_first 或 bibound 不是bool。

  • TypeError - dropout 既不是浮点数也不是整数。

  • ValueError - dropout 不在[0.0, 1.0)范围内。

支持平台：

Ascend GPU CPU

样例：

>>> net = nn.GRU(10, 16, 2, has_bias=True, batch_first=True, bidirectional=False)
>>> x = Tensor(np.ones([3, 5, 10]).astype(np.float32))
>>> h0 = Tensor(np.ones([1 * 2, 3, 16]).astype(np.float32))
>>> output, hn = net(x, h0)
>>> print(output.shape)
(3, 5, 16)