文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindspore.nn.GRUCell

class mindspore.nn.GRUCell(input_size: int, hidden_size: int, has_bias: bool = True, dtype=mstype.float32)

GRU（Gate Recurrent Unit）称为门控循环单元。

$$\begin{array}{r}\begin{array}{l}r=\sigma (W_{ir}x+b_{ir}+W_{hr}h+b_{hr})\\ z=\sigma (W_{iz}x+b_{iz}+W_{hz}h+b_{hz})\\ n=\tanh (W_{in}x+b_{in}+r\ast (W_{hn}h+b_{hn}))\\ h^{\prime }=(1-z)\ast n+z\ast h\end{array}\end{array}$$

这里 $\sigma$ 是sigmoid激活函数， $\ast$ 是乘积。 $W,b$ 是公式中输出和输入之间的可学习权重， $h$ 是隐藏层状态(hidden state)， $r$ 是重置门(reset gate)， $z$ 是更新门(update gate)， $n$ 是第n层。 例如， $W_{ir},b_{ir}$ 是用于将输入 $x$ 转换为 $r$ 的权重和偏置。详见论文 Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation 。

参数：

• input_size (int) - 输入的大小。

• hidden_size (int) - 隐藏状态大小。

• has_bias (bool) - cell是否有偏置项 $b_{in}$ 和 $b_{hn}$ 。默认值： True 。

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

输入：

• x (Tensor) - shape为 $(batch\mathrm{\_}size,input\mathrm{\_}size)$ 的Tensor。

• hx (Tensor) - 数据类型为mindspore.float32，shape为 $(batch\mathrm{\_}size,hidden\mathrm{\_}size)$ 的Tensor。

输出：

• hx' (Tensor) - shape为 $(batch\mathrm{\_}size,hidden\mathrm{\_}size)$ 的Tensor。

异常：

• TypeError - input_size 、 hidden_size 不是int。

• TypeError - has_bias 不是bool值。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore as ms
>>> import numpy as np
>>> net = ms.nn.GRUCell(10, 16)
>>> x = ms.Tensor(np.ones([5, 3, 10]).astype(np.float32))
>>> hx = ms.Tensor(np.ones([3, 16]).astype(np.float32))
>>> output = []
>>> for i in range(5):
...     hx = net(x[i], hx)
...     output.append(hx)
>>> print(output[0].shape)
(3, 16)