mindspore.nn.RNN

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

循环神经网络（RNN）层，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， \(W_{ih}\) 是每层RNN输入（input gate）计算的weight， \(b_{ih}\) 是对应的bias， \(W_{hh}\) 是每层RNN隐藏状态（hidden state）计算的weight， \(b_{hh}\) 是对应的bias。

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 。

• dtype (mindspore.dtype) - Parameters的dtype。默认值： mstype.float32 。

输入：

• x (Tensor) - 数据类型为mindspore.float32或mindspore.float16，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或mindspore.float16，shape为 \((num\_directions * num\_layers, batch\_size, hidden\_size)\) 的Tensor。

• seq_length (Tensor) - 输入batch的序列长度，Tensor的shape为 \((batch\_size)\) 。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 \((seq\_len, batch\_size, num\_directions * hidden\_size)\) 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：

>>> import mindspore as ms
>>> import numpy as np
>>> net = ms.nn.RNN(10, 16, 2, has_bias=True, batch_first=True, bidirectional=False)
>>> x = ms.Tensor(np.ones([3, 5, 10]).astype(np.float32))
>>> h0 = ms.Tensor(np.ones([1 * 2, 3, 16]).astype(np.float32))
>>> output, hn = net(x, h0)
>>> print(output.shape)
(3, 5, 16)