mindspore.nn.RNN

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

循环神经网络（RNN）层，其使用的激活函数为tanh或relu。

对输入序列中的每个元素，每层的计算公式如下：

\[h_t = activation(W_{ih} x_t + b_{ih} + W_{hh} h_{(t-1)} + b_{hh})\]

这里的 \(h_t\) 是在 t 时刻的隐藏状态， \(x_t\) 时刻的输入， \(h_{(t-1)}\) 是上一层在 \(t-1\) 时刻的隐藏状态，或初始隐藏状态。如果 nonlinearity 是’relu’，则使用 \(\text{relu}\) 而不是 \(\tanh\) 。

参数：

input_size (int) - 输入层输入的特征向量维度。
hidden_size (int) - 隐藏层输出的特征向量维度。
num_layers (int) - 堆叠RNN的层数。默认值：1。
nonlinearity (str) - 用于选择非线性激活函数。取值可为’tanh’或’relu’。默认值：’tanh’。
has_bias (bool) - Cell是否有偏置项 b_ih 和 b_hh 。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。Dropout的范围为[0.0, 1.0)。默认值：0.0。
bidirectional (bool) - 指定是否为双向RNN，如果bidirectional=True，则num_directions=2，否则为1。默认值：False。

输入：

x (Tensor) - 数据类型为mindspore.float32或mindspore.float16，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或mindspore.float16，shape为 \((num\_directions * num\_layers, batch\_size, hidden\_size)\) 的Tensor。 hx 的数据类型与 x 相同。
seq_length (Tensor) - 输入batch的序列长度，Tensor的shape为 \((batch\_size)\) 。此输入指明真实的序列长度，以避免使用填充后的元素计算隐藏状态，影响最后的输出。当 x 被填充元素时，建议使用此输入。默认值：None。

输出：

Tuple，包含(output, hx_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int。
TypeError - has_bias ， batch_first 或 bidirectional 不是bool。
TypeError - dropout 不是float。
ValueError - dropout 不在[0.0, 1.0)范围内。
ValueError - nonlinearity 不在[‘tanh’, ‘relu’]中。

支持平台：: Ascend GPU CPU

样例：

>>> net = nn.RNN(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)