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； \(u_t\) 、 \(r_t\) 、 \(\tilde{h_t}\) 和 \(h_t\) 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； \(W_{uh}, b_u\) 、 \(W_{rh}, b_r\) 和 \(W_{ch}, b_c\) 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： \(W_{uh}\) 和 \(W_{rh}\) 拼接为 \([D, D \times 2]\) 形状位于前半部分，\(W_{ch}\) 以 \([D, D]\) 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.data(name='sequence',
            shape=[None],
            dtype='int64',
            lod_level=1)
emb = fluid.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)