比较与torch.nn.GRU的差异

查看源文件

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)