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.RNN

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

循环神经网络（RNN）层，其使用的激活函数为tanh或relu。

将具有 $\tanh$ 或 $\text{ReLU}$ 非线性的RNN层应用到输入。

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， $x_t$ 是在 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 $(seq\mathrm{\_}len,batch\mathrm{\_}size,input\mathrm{\_}size)$ 或 $(batch\mathrm{\_}size,seq\mathrm{\_}len,input\mathrm{\_}size)$ 的Tensor。

• hx (Tensor) - 数据类型为mindspore.float32或mindspore.float16，shape为 $(num\mathrm{\_}directions\ast num\mathrm{\_}layers,batch\mathrm{\_}size,hidden\mathrm{\_}size)$ 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 $(batch\mathrm{\_}size)$ 。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 $(seq\mathrm{\_}len,batch\mathrm{\_}size,num\mathrm{\_}directions\ast hidden\mathrm{\_}size)$ 或 $(batch\mathrm{\_}size,seq\mathrm{\_}len,num\mathrm{\_}directions\ast hidden\mathrm{\_}size)$ 的Tensor。

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