mindspore.ops.DynamicRNN

class mindspore.ops.DynamicRNN(cell_type='LSTM', direction='UNIDIRECTIONAL', cell_depth=1, use_peephole=False, keep_prob=1.0, cell_clip=- 1.0, num_proj=0, time_major=True, activation='tanh', forget_bias=0.0, is_training=True)

将循环神经网络应用到输入上。当前仅支持LSTM。

\[\begin{split}\begin{array}{ll} \\ i_{t+1} = \sigma(W_{ix} x_{t+1} + b_{ix} + W_{ih} h_{(t)} + b_{ih}) \\ f_{t+1} = \sigma(W_{fx} x_{t+1} + b_{fx} + W_{fh} h_{(t)} + b_{fh}) \\ \tilde{c}_{t+1} = \tanh(W_{cx} x_{t+1} + b_{cx} + W_{ch} h_{(t)} + b_{ch}) \\ o_{t+1} = \sigma(W_{ox} x_{t+1} + b_{ox} + W_{oh} h_{(t)} + b_{oh}) \\ c_{t+1} = f_{t+1} * c_{(t)} + i_t * \tilde{c}_{t+1} \\ h_{t+1} = o_{t+1} * \tanh(c_{t+1}) \\ \end{array}\end{split}\]

其中， \(h_{t+1}\) 是在 t+1 时刻的隐藏状态。 \(x_{t+1}\) 是在 t+1 时刻的输入。 \(h_{t}\) 是在 t 时刻的隐藏状态或在 0 时刻的初始隐藏状态。 \(\sigma\) 是sigmoid函数， \(*\) 是 Hadamard 积。 \(W, b\) 是公式中输出和输入之间的可学习权重。

例如， \(W_{ix}, b_{ix}\) 是把 \(x\) 转换为 \(i\) 的权重和偏置。

参数：

• cell_type (str，可选) - 指定Cell类型。当前仅支持 'LSTM' 。默认值： 'LSTM' 。

• direction (str，可选) - 指定单向或双向。默认值： 'UNIDIRECTIONAL' 。当前仅支持 'UNIDIRECTIONAL' 。

• cell_depth (int，可选) - 指定cell的层数。默认值： 1 。

• use_peephole (bool，可选) - 是否使用”peephole connections”。默认值： False 。

• keep_prob (float，可选) - 指定保留率，即每个元素被保留的概率。 1.0 表示所有元素全部保留。默认值： 1.0 。

• cell_clip (float，可选) - 将Cell裁剪到指定的值，负值表示禁用。默认值： -1.0 。

• num_proj (int，可选) - 投影矩阵的输出维数。默认值： 0 。

• time_major (bool，可选) - 指定输入 x 的数据排列格式。如果为 True ，格式为 \((num\_step, batch\_size, input\_size)\)，如果为 False ，格式为：\((batch\_size, num\_step, input\_size)\) 。默认值： True 。当前仅支持 True 。

• activation (str，可选) - 指定激活函数。默认值： 'tanh' 。当前仅支持 'tanh' 。

• forget_bias (float，可选) - 指定遗忘门的偏置。默认值： 0.0 。

• is_training (bool，可选) - 指定是否开启训练。默认值： True 。

输入：

• x (Tensor) - 输入的词汇。shape为 \((num\_step, batch\_size, input\_size)\) 的Tensor。数据类型必须为float16。

• w (Tensor) - 输入的权重。shape为 \((input\_size + hidden\_size, 4 * hidden\_size)\) 的Tensor。数据类型必须为float16。

• b (Tensor) - 输入的偏置。shape为 \((4 * hidden\_size)\) 的Tensor。数据类型必须为float16或float32。

• seq_length (Tensor) - 每个批次中句子的真实长度。shape为 \((batch\_size, )\) 的Tensor。当前仅支持None。

• init_h (Tensor) - 在初始时刻的隐藏状态。shape为 \((1, batch\_size, hidden\_size)\) 的Tensor。数据类型必须为float16。

• init_c (Tensor) - 在初始时刻的Cell状态。shape为 \((1, batch\_size, hidden\_size)\) 的Tensor。数据类型必须为float16。

输出：

• y (Tensor) - 所有时刻输出层的输出向量，shape为 \((num\_step, batch\_size, hidden\_size)\) 的Tensor。数据类型与输入 b 相同。

• output_h (Tensor) - 所有时刻输出层的输出向量，shape为 \((num\_step, batch\_size, hidden\_size)\) 的Tensor。数据类型为float16。

• output_c (Tensor) - 所有时刻的Cell状态的输出向量，shape为 \((num\_step, batch\_size, hidden\_size)\) 的Tensor。数据类型与输入 b 相同。

• i (Tensor) - 更新输入门的权重，shape为 \((num\_step, batch\_size, hidden\_size)\) 的Tensor。数据类型与输入 b 相同。

• j (Tensor) - 更新新门的权重，shape为 \((num\_step, batch\_size, hidden\_size)\) 的Tensor。数据类型与输入 b 相同。

• f (Tensor) - 更新遗忘门的权重，shape为 \((num\_step, batch\_size, hidden\_size)\) 的Tensor。数据类型输入 b 相同。

• o (Tensor) - 更新输出门的权重，shape为 \((num\_step, batch\_size, hidden\_size)\) 的Tensor。数据类型与输入 b 相同。

• tanhct (Tensor) - 更新tanh的权重，shape为 \((num\_step, batch\_size, hidden\_size)\) 的Tensor。数据类型与输入 b 相同。

异常：

• TypeError - cell_type 、 direction 或 activation 不是str。

• TypeError - cell_Deep 或 num_proj 不是int。

• TypeError - keep_prob 、 cell_clip 或 forget_bias 不是float。

• TypeError - use_peehpol 、 time_major 或 is_training 不是bool。

• TypeError - x 、 w 、 b 、 seq_length 、 init_h 或 init_c 不是Tensor。

• TypeError - x 、 w 、 init_h 或 nit_c 的数据类型不是float16。

• TypeError - b 的数据类型既不是float16也不是float32。

支持平台：

Ascend

样例：

>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> x = Tensor(np.random.rand(2, 16, 64).astype(np.float16))
>>> w = Tensor(np.random.rand(96, 128).astype(np.float16))
>>> b = Tensor(np.random.rand(128).astype(np.float16))
>>> init_h = Tensor(np.random.rand(1, 16, 32).astype(np.float16))
>>> init_c = Tensor(np.random.rand(1, 16, 32).astype(np.float16))
>>> dynamic_rnn = ops.DynamicRNN()
>>> output = dynamic_rnn(x, w, b, None, init_h, init_c)
>>> print(output[0].shape)
(2, 16, 32)