mindspore.ops.LSTM

class mindspore.ops.LSTM(input_size, hidden_size, num_layers, has_bias, bidirectional, dropout, proj_size=0)

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_ih 和 b_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]。

• proj_size (int) - 如果大于0，则会使用对应大小的投影，当前只支持CPU后端。默认值: 0。

输入：

• input (Tensor) - shape为 \((seq\_len, batch\_size, input\_size)\) 或 \((batch\_size, seq\_len, input\_size)\) 的Tensor。

• h (tuple) - shape为 \((num\_directions * num\_layers, batch\_size, real\_hidden\_size)\) 的Tensor。

• c (tuple) - shape为 \((num\_directions * num\_layers, batch\_size, hidden\_size)\) 的Tensor。

• w (Tensor) - 权重。

如果 \(proj\_size > 0\) , \(real\_hidden\_size = proj\_size\) , 否则 \(real\_hidden\_size = hidden\_size\) 。

输出：

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

• output (Tensor) - shape为 \((seq\_len, batch\_size, num\_directions * real\_hidden\_size)\) 的Tensor。

• h_n (Tensor) - shape为 \((num\_directions * num\_layers, batch\_size, real\_hidden\_size)\) 的Tensor。

• c_n (Tensor) - shape为 \((num\_directions * num\_layers, batch\_size, hidden\_size)\) 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_size ， hidden_size 或 num_layers 不是int。

• TypeError - 如果 has_bias 或 bidirectional 不是bool。

• TypeError - 如果 dropout 不是float。

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

• ValueError - 如果 proj_size 不在范围[0, hidden_size)内。

支持平台：

GPU CPU

样例：

>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> 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 ]]]