class mindspore_rl.network.GruNet(input_size, hidden_size, weight_init='normal', num_layers=1, has_bias=True, batch_first=False, dropout=0.0, bidirectional=False, enable_fusion=True)

GRU (门控递归单元)层。 将GRU层应用于输入。 有关详细信息，请参见： mindspore.nn.GRU 。

参数：

• input_size (int) - 输入的特征数。

• hidden_size (int) - 隐藏层的特征数量。

• weight_init (str or Initializer) - 初始化方法，如normal、uniform。默认值： ‘normal’。

• num_layers (int) - GRU层的数量。默认值： 1。

• has_bias (bool) - cell中是否有偏置。默认值： True。

• batch_first (bool) - 指定输入 x 的第一个维度是否为批处理大小。默认值： False。

• dropout (float) - 如果不是0.0, 则在除最后一层外的每个GRU层的输出上附加 Dropout 层。默认值： 0.0。取值范围 [0.0, 1.0)。

• bidirectional (bool) - 指定它是否为双向GRU，如果bidirectional=True则为双向，否则为单向。默认值： False。

• enable_fusion (bool) - 是否需要使用GRU的融合算子。默认值：True。

输入：

• x_in (Tensor) - 数据类型为mindspore.float32和shape为(seq_len, batch_size, input_size)或(batch_size, seq_len, input_size)的Tensor。

• h_in (Tensor) - 数据类型为mindspore.float32和shape为(num_directions * num_layers, batch_size, hidden_size)的Tensor。h_in 的数据类型必须和 x_in 一致。

输出：

元组，包含(x_out, h_out)。

• x_out (Tensor) - shape为(seq_len, batch_size, num_directions * hidden_size) 或(batch_size, seq_len, num_directions * hidden_size)的Tensor。

• h_out (Tensor) - shape为(num_directions * num_layers, batch_size, hidden_size)的Tensor。

样例：

>>> net = GruNet(10, 16, 2, has_bias=True, bidirectional=False)
>>> x_in = Tensor(np.ones([3, 5, 10]).astype(np.float32))
>>> h_in = Tensor(np.ones([1, 5, 16]).astype(np.float32))
>>> x_out, h_out = net(x_in, h_in)
>>> print(x_out.shape)
(3, 5, 16)

construct(x_in, h_in)

gru网络的正向输出。

参数：

• x_in (Tensor) - 数据类型为mindspore.float32和shape为(seq_len, batch_size, input_size)或(batch_size, seq_len, input_size)的Tensor。

• h_in (Tensor) - 数据类型为mindspore.float32和shape为(num_directions * num_layers, batch_size, hidden_size)的Tensor。h_in 的数据类型必须和 x_in 一致。

返回：

• x_out (Tensor) - shape为(seq_len, batch_size, num_directions * hidden_size) 或(batch_size, seq_len, num_directions * hidden_size)的Tensor。

• h_out (Tensor) - shape为(num_directions * num_layers, batch_size, hidden_size)的Tensor。