mindspore.nn.RNNCell

class mindspore.nn.RNNCell(input_size: int, hidden_size: int, has_bias: bool = True, nonlinearity: str = 'tanh')[源代码]

循环神经网络单元，激活函数是tanh或relu。

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

其中 \(h_t\) 是在 t 时刻的隐藏状态， \(x_t\) 是在 t 时刻的输入， \(h_{(t-1)}\) 是在 \(t-1\) 时刻的隐藏状态，或初始隐藏状态。

如果 nonlinearity 是’relu’，则使用’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。

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

  • nonlinearity (str) - 用于选择非线性激活函数。取值可以是’tanh’或’relu’。默认值：’tanh’。

输入：

  • x (Tensor) - 输入Tensor，其shape为 \((batch\_size, input\_size)\) 。

  • hx (Tensor) - 输入Tensor，其数据类型为mindspore.float32及shape为 \((batch\_size, hidden\_size)\) 。 hx 的数据类型与 x 相同。

输出：

  • hx’ (Tensor) - shape为 \((batch\_size, hidden\_size)\) 的Tensor。

异常：

  • TypeError - input_size 或 hidden_size 不是int或不大于0。

  • TypeError - has_bias 不是bool。

  • ValueError - nonlinearity 不在[‘tanh’, ‘relu’]中。

支持平台：

Ascend GPU CPU

样例：

>>> net = nn.RNNCell(10, 16)
>>> x = Tensor(np.ones([5, 3, 10]).astype(np.float32))
>>> hx = Tensor(np.ones([3, 16]).astype(np.float32))
>>> output = []
>>> for i in range(5):
...     hx = net(x[i], hx)
...     output.append(hx)
>>> print(output[0].shape)
(3, 16)