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。

mindspore.ops.LSTM

class mindspore.ops.LSTM(input_size, hidden_size, num_layers, has_bias, bidirectional, dropout)[源代码]

对输入执行长短期记忆(LSTM)网络。

有关详细信息,请参见 mindspore.nn.LSTM

参数:
  • input_size (int) - 输入的大小。

  • hidden_size (int) - 隐藏状态大小。

  • num_layers (int) - LSTM的网络层数。

  • has_bias (bool) - Cell是否有偏置 b_ihb_hh

  • bidirectional (bool) - 是否为双向LSTM。

  • 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]。

输入:
  • input (Tensor) - shape为 (seq_len,batch_size,input_size)(batch_size,seq_len,input_size) 的Tensor。

  • h (tuple) - shape为 (num_directionsnum_layers,batch_size,hidden_size) 的Tensor。

  • c (tuple) - shape为 (num_directionsnum_layers,batch_size,hidden_size) 的Tensor。

  • w (Tensor) - 权重。

输出:

tuple,tuple包含( output , h_n , c_n , reserve , state )。

  • output (Tensor) - shape为 (seq_len,batch_size,num_directionshidden_size) 的Tensor。

  • h_n (Tensor) - shape为 (num_directionsnum_layers,batch_size,hidden_size) 的Tensor。

  • c_n (Tensor) - shape为 (num_directionsnum_layers,batch_size,hidden_size) 的Tensor。

  • reserve (Tensor) - shape为 (r,1)

  • state (Tensor) - 使用随机数生成状态及其shape为 (s,1)

异常:
  • TypeError - 如果 input_sizehidden_sizenum_layers 不是int。

  • TypeError - 如果 has_biasbidirectional 不是bool。

  • TypeError - 如果 dropout 不是float。

  • ValueError - 如果 dropout 不在范围[0.0, 1.0]内。

支持平台:

GPU CPU

样例:

>>> input_size = 10
>>> hidden_size = 2
>>> num_layers = 1
>>> seq_len = 5
>>> batch_size = 2
>>>
>>> net = ops.LSTM(input_size, hidden_size, num_layers, True, False, 0.0)
>>> input_tensor = Tensor(np.ones([seq_len, batch_size, input_size]).astype(np.float32))
>>> h0 = Tensor(np.ones([num_layers, batch_size, hidden_size]).astype(np.float32))
>>> c0 = Tensor(np.ones([num_layers, batch_size, hidden_size]).astype(np.float32))
>>> w = Tensor(np.ones([112, 1, 1]).astype(np.float32))
>>> output, hn, cn, _, _ = net(input_tensor, h0, c0, w)
>>> print(output)
[[[0.9640267  0.9640267 ]
  [0.9640267  0.9640267 ]]
 [[0.9950539  0.9950539 ]
  [0.9950539  0.9950539 ]]
 [[0.99932843 0.99932843]
  [0.99932843 0.99932843]]
 [[0.9999084  0.9999084 ]
  [0.9999084  0.9999084 ]]
 [[0.9999869  0.9999869 ]
  [0.9999869  0.9999869 ]]]