LSTMCell

classtorch.nn.LSTMCell(input_size, hidden_size, bias=True, device=None, dtype=None)[源代码]

LSTM（长短期记忆）单元。

$\begin{array}{ll} i = \sigma(W_{ii} x + b_{ii} + W_{hi} h + b_{hi}) \\ f = \sigma(W_{if} x + b_{if} + W_{hf} h + b_{hf}) \\ g = \tanh(W_{ig} x + b_{ig} + W_{hg} h + b_{hg}) \\ o = \sigma(W_{io} x + b_{io} + W_{ho} h + b_{ho}) \\ c' = f \odot c + i \odot g \\ h' = o \odot \tanh(c') \\ \end{array}$

其中$\sigma$ 是 sigmoid 函数，$\odot$ 表示 Hadamard 乘积。

参数

• input_size (int) – 输入 x 的预期特征数量

• hidden_size (int) – 隐藏状态 h 中的特征数

• bias (bool) – 如果为False，则层不使用偏置权重b_ih和b_hh。默认值： True

输入：input，(h_0, c_0)

• 输入 形状为 (batch, input_size) 或 (input_size)：表示输入特征的张量

• h_0，形状为 (batch, hidden_size) 或 (hidden_size)：表示初始隐藏状态的张量

• c_0 形状为 (batch, hidden_size) 或 (hidden_size): 包含初始单元状态的张量

  如果没有提供(h_0, c_0)，则h_0和c_0默认都为零。

输出：(h_1, c_1)

• h_1 形状为 (batch, hidden_size) 或 (hidden_size): 包含下一个隐藏状态的张量

• c_1 形状为 (batch, hidden_size) 或 (hidden_size)，表示包含下一个单元状态的张量

变量

• weight_ih (torch.Tensor) – 输入到隐藏层的可学习权重，其形状为(4*hidden_size, input_size)

• weight_hh (torch.Tensor) – 隐藏层到隐藏层的可学习权重，形状为(4*hidden_size, hidden_size)

• bias_ih - 输入到隐藏层的可学习偏置项，其形状为(4*hidden_size)

• bias_hh – 隐藏层到隐藏层的可学习偏置项，其形状为(4*hidden_size)

注意

所有的权重和偏置都从$\mathcal{U}(-\sqrt{k}, \sqrt{k})$ 初始化，其中 $k = \frac{1}{\text{hidden\_size}}$。

在某些ROCm设备上，当使用float16输入时，此模块会采用不同的精度进行反向传播。

示例:

>>> rnn = nn.LSTMCell(10, 20)  # (input_size, hidden_size)
>>> input = torch.randn(2, 3, 10)  # (time_steps, batch, input_size)
>>> hx = torch.randn(3, 20)  # (batch, hidden_size)
>>> cx = torch.randn(3, 20)
>>> output = []
>>> for i in range(input.size()[0]):
...     hx, cx = rnn(input[i], (hx, cx))
...     output.append(hx)
>>> output = torch.stack(output, dim=0)