dynamic_lstm

paddle.fluid.layers. dynamic_lstm ( input, size, h_0=None, c_0=None, param_attr=None, bias_attr=None, use_peepholes=True, is_reverse=False, gate_activation='sigmoid', cell_activation='tanh', candidate_activation='tanh', dtype='float32', name=None ) [源代码]

该OP实现了 LSTM，即 Long-Short Term Memory（长短期记忆）运算 - Hochreiter, S., & Schmidhuber, J. (1997)。

注解

  • 该OP仅支持 LoDTensor 作为输入，如果您需要处理的是Tensor，请使用 lstm 。

  • 在实现的时候为了提升效率，用户必须将LSTM的输入先进行线性映射，将维度为 [T, hidden_size] 的输入映射为 [T, 4 × hidden_size] 输入，然后再传给该OP。

该OP的默认实现方式为 diagonal/peephole 连接，参见 Gers, F. A., & Schmidhuber, J. (2000)。 如果需要禁用 peephole 连接方法，将 use_peepholes 设为 False 即可。

该OP对于序列中每一个时间步的计算公式如下：

\[i_t=\sigma (W_{ix}x_{t}+W_{ih}h_{t-1}+W_{ic}c_{t-1}+b_i)\]
\[f_t=\sigma (W_{fx}x_{t}+W_{fh}h_{t-1}+W_{fc}c_{t-1}+b_f)\]
\[o_t=\sigma (W_{ox}x_{t}+W_{oh}h_{t-1}+W_{oc}c_{t-1}+b_o)\]
\[\widetilde{c_t}=act_g(W_{ct}x_{t}+W_{ch}h_{t-1}+b_{c})\]
\[c_t=f_t\odot c_{t-1}+i_t\odot \widetilde{c_t}\]
\[h_t=o_t\odot act_h(c_t)\]
公式中的概念信息如下：

  • \(x_{t}\) 表示时间步 \(t\) 的输入

  • \(h_{t}\) 表示时间步 \(t\) 的 hidden 状态

  • \(h_{t-1}, c_{t-1}\) 分别表示前一个时间步的 hidden 和 cell 状态

  • \(\widetilde{c_t}\) 表示候选的 cell 状态

  • \(i_t\) ，\(f_t\) 和 \(o_t\) 分别为 input gate，forget gate，output gate

  • \(W\) 表示 weight （例如， \(W_{ix}\) 是在计算 input gate \(i_t\) 时，对输入 \(x_{t}\) 做线性变换的 weight）

  • \(b\) 表示 bias （例如， \(b_{i}\) 是 input gate 的 bias）

  • \(\sigma\) 表示 gate 的非线性激活函数，默认为 sigmoid

  • \(act_g， act_h\) 分别表示 cell 输入和 cell 输出的非线性激活函数，默认为 tanh

  • \(\odot\) 表示矩阵的 Hadamard product，即对两个维度相同的矩阵，将相同位置的元素相乘，得到另一个维度相同的矩阵

参数:

  • input ( Variable ) 维度为 \([T, 4*hidden\_size]\) 的多维 LoDTensor（必须在传入该OP前对维度为 \([T, hidden\_size]\) 的输入经过线性变换得到），其中 T 为 batch 中所有样本的长度之和，hidden_size 为隐层大小，数据类型为 float32 或者 float64。

  • size (int) – 必须为 4*hidden_size。

  • h_0 ( Variable ，可选) 维度为 \([batch\_size, hidden\_size]\) 的多维 Tensor，其中 hidden_size 为隐层大小，数据类型为 float32 或者 float64。如果为 None，该OP会自动设置为全0的向量。默认值为None。

  • c_0 ( Variable ，可选) 维度为 \([batch\_size, hidden\_size]\) 的多维 Tensor，其中 hidden_size 为隐层大小，数据类型为 float32 或者 float64。如果为 None，该OP会自动设置为全0的向量；\(h_0, c_0\) 如果要设置为None，必须同时为None。默认值为None。

  • param_attr (ParamAttr，可选) – 指定权重参数属性的对象。如果为None，表示使用默认的权重参数属性。具体用法请参见 ParamAttr 。如果用户需要设置此属性，维度必须等于 \([hidden\_size, 4*hidden\_size]\)。默认值为None。

  • bias_attr (ParamAttr，可选) – 指定偏置参数属性的对象。如果为None，表示使用默认的偏置参数属性。具体用法请参见 ParamAttr 。如果用户需要设置此属性，如果 use_peepholes=true，维度需为 \([1, 4*hidden\_size]\), use_peepholes=true，维度需为 \([1, 7*hidden\_size]\)。默认值为None。

  • use_peepholes (bool，可选) – 是否使用 peephole 连接。默认值为True。

  • is_reverse (bool，可选) – 是否将输入的数据根据根据样本长度进行逆序，同时会将输出进行逆序，用户拿到结果之后，不需要再逆序。默认值为False。

  • gate_activation (str，可选) – 应用于input gate，forget gate， output gate 的激活函数。默认值为sigmoid。

  • cell_activation (str，可选) – 用于cell输入的激活函数。默认值为tanh。

  • candidate_activation (str，可选) – 用于cell输出的激活函数。默认值为tanh。

  • dtype (str，可选) – 数据类型为 float32 或者 float64。默认值为 float32。

  • name (str，可选) – 具体用法请参见 Name ，默认值为None。

返回：经过lstm运算输出的 hidden 和 cell 的状态的tuple，包括

  • hidden：LSTM hidden的输出结果，维度为 \([T, hidden\_size]\) 的LoDTensor，且LoD保持与输入一致，数据类型与input一致。

  • cell：LSTM cell的输出结果，维度为 \([T, hidden\_size]\) 的LoDTensor，且LoD保持与输入一致，数据类型与input一致。

返回类型: tuple（ Variable , Variable ）

代码示例

import paddle.fluid as fluid
emb_dim = 256
vocab_size = 10000
hidden_dim = 512

data = fluid.layers.data(name='x', shape=[1], dtype='int32', lod_level=1)
emb = fluid.layers.embedding(input=data, size=[vocab_size, emb_dim], is_sparse=True)

forward_proj = fluid.layers.fc(input=emb, size=hidden_dim * 4, bias_attr=False)
forward, cell = fluid.layers.dynamic_lstm(input=forward_proj, size=hidden_dim * 4, use_peepholes=False)
forward.shape  # (-1, 512)
cell.shape  # (-1, 512)