GRUCell

类torch.nn.GRUCell(input_size, hidden_size, bias=True, device=None, dtype=None)[源代码]

一个门控循环单元（GRU）。

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

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

输入类型：input, hidden

• input : 含有输入特征的张量

• hidden：表示批次中每个元素的初始隐藏状态的张量。如果没有提供，默认值为零。

输出: h'

• h'：包含批次中每个元素下一个隐藏状态的张量

形状:

• 输入: $(N, H_{in})$ 或 $(H_{in})$ 张量，包含输入特征。其中 $H_{in}$ 等于 input_size。

• hidden: $(N, H_{out})$ 或 $(H_{out})$ 张量，包含初始隐藏状态。其中 $H_{out}$ 等于 hidden_size。如果没有提供，默认值为零。

• 输出: $(N, H_{out})$ 或 $(H_{out})$ 形式的张量，包含下一个隐藏状态。

变量

• weight_ih (torch.Tensor) – 输入到隐藏层的可学习权重，其形状为(3*hidden_size, input_size)

• weight_hh (torch.Tensor) – 隐藏层到隐藏层的可学习权重，形状为(3*hidden_size, hidden_size)

• bias_ih - 输入到隐藏层的可学习偏置，其形状为(3*hidden_size)

• bias_hh – 隐藏层到隐藏层的可学习偏置项，其形状为(3*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.GRUCell(10, 20)
>>> input = torch.randn(6, 3, 10)
>>> hx = torch.randn(3, 20)
>>> output = []
>>> for i in range(6):
...     hx = rnn(input[i], hx)
...     output.append(hx)