dynamic_gru

paddle.fluid.layers.dynamic_gru(input, size, param_attr=None, bias_attr=None, is_reverse=False, gate_activation='sigmoid', candidate_activation='tanh', h_0=None, origin_mode=False)[源代码]

注意:该OP的输入只能是LoDTensor,如果您需要处理的输入是Tensor类型,请使用StaticRNN(fluid.layers. StaticRNN )。

该OP用于在完整序列上逐个时间步的进行单层Gated Recurrent Unit(GRU)的计算,单个时间步内GRU的计算支持以下两种计算方式:

如果origin_mode为True,则使用的运算公式来自论文 Learning Phrase Representations using RNN Encoder Decoder for Statistical Machine Translation

\[\begin{split}u_t & = act_g(W_{ux}x_{t} + W_{uh}h_{t-1} + b_u)\\ r_t & = act_g(W_{rx}x_{t} + W_{rh}h_{t-1} + b_r)\\ \tilde{h_t} & = act_c(W_{cx}x_{t} + W_{ch}(r_t \odot h_{t-1}) + b_c)\\ h_t & = u_t \odot h_{t-1} + (1-u_t) \odot \tilde{h_t}\end{split}\]

如果origin_mode为False,则使用的运算公式来自论文 Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling

公式如下:

\[\begin{split}u_t & = act_g(W_{ux}x_{t} + W_{uh}h_{t-1} + b_u)\\ r_t & = act_g(W_{rx}x_{t} + W_{rh}h_{t-1} + b_r)\\ \tilde{h_t} & = act_c(W_{cx}x_{t} + W_{ch}(r_t \odot h_{t-1}) + b_c)\\ h_t & = (1-u_t) \odot h_{t-1} + u_t \odot \tilde{h_t}\end{split}\]

其中, \(x_t\) 为当前时间步的输入,这个输入并非 input,该OP不包含 \(W_{ux}x_{t}, W_{rx}x_{t}, W_{cx}x_{t}\) 的计算, 注意 要在该OP前使用大小为 size 的3倍的全连接层并将其输出作为 input\(h_{t-1}\) 为前一时间步的隐状态 hidden\(u_t\)\(r_t\)\(\tilde{h_t}\)\(h_t\) 分别代表了GRU单元中update gate(更新门)、reset gate(重置门)、candidate hidden(候选隐状态)和隐状态输出; \(\odot\) 为逐个元素相乘; \(W_{uh}, b_u\)\(W_{rh}, b_r\)\(W_{ch}, b_c\) 分别代表更新门、重置门和候选隐状态在计算时使用的权重矩阵和偏置。在实现上,三个权重矩阵合并为一个 \([D, D \times 3]\) 形状的Tensor存放,三个偏置拼接为一个 \([1, D \times 3]\) 形状的Tensor存放,其中 \(D\) 为隐单元的数目;权重Tensor存放布局为: \(W_{uh}\)\(W_{rh}\) 拼接为 \([D, D \times 2]\) 形状位于前半部分,\(W_{ch}\)\([D, D]\) 形状位于后半部分。

参数:
  • input (Variable) – LoD level为1的LoDTensor,表示经线性变换后的序列输入,形状为 \([T, D \times 3]\) ,其中 \(T\) 表示mini-batch中所有序列长度之和, \(D\) 为隐状态特征维度的大小。数据类型为float32或float64。
  • size (int) – 隐状态特征维度的大小
  • param_attr (ParamAttr,可选) – 指定权重参数属性的对象。默认值为None,表示使用默认的权重参数属性。具体用法请参见 ParamAttr
  • bias_attr (ParamAttr,可选) - 指定偏置参数属性的对象。默认值为None,表示使用默认的偏置参数属性。具体用法请参见 ParamAttr
  • is_reverse (bool,可选) – 指明是否按照和输入相反的序列顺序计算,默认为False。
  • gate_activation (str,可选) – 公式中 \(act_g\) 激活函数的类型。支持identity、sigmoid、tanh、relu四种激活函数类型,默认为sigmoid。
  • candidate_activation (str,可选) – 公式中 \(act_c\) 激活函数的类型。支持identity、sigmoid、tanh、relu四种激活函数类型,默认为tanh。
  • h_0 (Variable,可选) – 表示初始隐状态的Tensor,若未提供,则默认为0。其形状为 \([N, D]\) , 其中 \(N\) 为输入mini-batch中序列的数目, \(D\) 为隐状态特征维度的大小。数据类型与 input 相同。默认值为None。
  • origin_mode (bool,可选) – 指明要使用的GRU计算方式,两种计算方式具体差异见公式描述,默认值为False。

返回: 形状为 \([T, D]\) 、LoD level为1的LoDTensor,其中 \(T\) 表示mini-batch中所有序列长度之和, \(D\) 为隐状态特征维度的大小。表示经过GRU变换的输出特征序列,和 input 具有相同的LoD(序列长度)和数据类型。

返回类型: Variable

代码示例

import paddle.fluid as fluid

dict_dim, emb_dim = 128, 64
data = fluid.layers.data(name='sequence', shape=[1],
                         dtype='int32', lod_level=1)
emb = fluid.layers.embedding(input=data, size=[dict_dim, emb_dim])
hidden_dim = 512
x = fluid.layers.fc(input=emb, size=hidden_dim * 3)
hidden = fluid.layers.dynamic_gru(input=x, size=hidden_dim)