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。

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.nn.GRU

class mindspore.nn.GRU(*args, **kwargs)

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。

$$\begin{array}{r}\begin{array}{l}{r}_t=\sigma (W_{ir}{x}_t+b_{ir}+W_{hr}{h}_{(t-1)}+b_{hr})\\ z_t=\sigma (W_{iz}{x}_t+b_{iz}+W_{hz}{h}_{(t-1)}+b_{hz})\\ n_t=\tanh (W_{in}{x}_t+b_{in}+r_t\ast (W_{hn}{h}_{(t-1)}+b_{hn}))\\ h_t=(1-z_t)\ast n_t+z_t\ast h_{(t-1)}\end{array}\end{array}$$

其中 $\sigma$ 是sigmoid激活函数， $\ast$ 是乘积。 $W,b$ 是公式中输出和输入之间的可学习权重。例如， $W_{ir},b_{ir}$ 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 。

说明

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)