比较与torch.nn.GRU的差异
torch.nn.GRU
class torch.nn.GRU(
input_size,
hidden_size,
num_layers=1,
bias=True,
batch_first=False,
dropout=0,
bidirectional=False)(input, h_0) -> Tensor
更多内容详见torch.nn.GRU。
mindspore.nn.GRU
class mindspore.nn.GRU(
input_size,
hidden_size,
num_layers=1,
has_bias=True,
batch_first=False,
dropout=0.0,
bidirectional=False)(x, hx, seq_length) -> Tensor
更多内容详见mindspore.nn.GRU。
差异对比
PyTorch:根据输出序列和给定的初始状态计算输出序列和最终状态。
MindSpore:功能一致,多一个接口输入seq_length,表示输入batch中每个序列的长度。
分类 |
子类 |
PyTorch |
MindSpore |
差异 |
---|---|---|---|---|
参数 |
参数1 |
input_size |
input_size |
- |
参数2 |
hidden_size |
hidden_size |
- |
|
参数3 |
num_layers |
num_layers |
- |
|
参数4 |
bias |
has_bias |
功能一致,参数名不同 |
|
参数5 |
batch_first |
batch_first |
- |
|
参数6 |
dropout |
dropout |
- |
|
参数7 |
bidirectional |
bidirectional |
- |
|
输入 |
输入1 |
input |
x |
功能一致,参数名不同 |
输入2 |
h_0 |
hx |
功能一致,参数名不同 |
|
输入3 |
- |
seq_length |
输入batch中每个序列的长度 |
代码示例
两API实现功能一致,用法相同。
# PyTorch
import torch
import torch.nn as nn
import numpy as np
rnn = nn.GRU(10, 16, 2, batch_first=True)
input = torch.ones([3, 5, 10], dtype=torch.float32)
h0 = torch.ones([1 * 2, 3, 16], dtype=torch.float32)
output, hn = rnn(input, h0)
output = output.detach().numpy()
print(output.shape)
# (3, 5, 16)
# MindSpore
import mindspore
from mindspore import Tensor, nn
net = nn.GRU(10, 16, 2, batch_first=True)
x = Tensor(np.ones([3, 5, 10]), mindspore.float32)
h0 = Tensor(np.ones([1 * 2, 3, 16]), mindspore.float32)
output, hn = net(x, h0)
print(output.shape)
# (3, 5, 16)