SimpleRNNCell

class paddle.nn. SimpleRNNCell ( input_size, hidden_size, activation='tanh', weight_ih_attr=None, weight_hh_attr=None, bias_ih_attr=None, bias_hh_attr=None, name=None ) [源代码]

简单循环神经网络单元

该OP是简单循环神经网络单元（SimpleRNNCell），根据当前时刻输入x（t）和上一时刻状态h（t-1）计算当前时刻输出y（t）并更新状态h（t）。

状态更新公式如下：

\[ \begin{align}\begin{aligned}h_{t} & = \mathrm{act}(W_{ih}x_{t} + b_{ih} + W_{hh}h_{t-1} + b_{hh})\\y_{t} & = h_{t}\end{aligned}\end{align} \]

其中的 act 表示激活函数。

详情请参考论文 :Finding Structure in Time。

参数：

  • input_size (int) - 输入的大小。

  • hidden_size (int) - 隐藏状态大小。

  • activation (str, 可选) - 简单循环神经网络单元的激活函数。可以是tanh或relu。默认为tanh。

  • weight_ih_attr (ParamAttr，可选) - weight_ih的参数。默认为None。

  • weight_hh_attr (ParamAttr，可选) - weight_hh的参数。默认为None。

  • bias_ih_attr (ParamAttr，可选) - bias_ih的参数。默认为None。

  • bias_hh_attr (ParamAttr，可选) - bias_hh的参数。默认为None。

  • name (str, 可选): OP的名字。默认为None。详情请参考 Name。

变量：

  • weight_ih (Parameter) - input到hidden的变换矩阵的权重。形状为（hidden_size, input_size）。对应公式中的 \(W_{ih}\)。

  • weight_hh (Parameter) - hidden到hidden的变换矩阵的权重。形状为（hidden_size, hidden_size）。对应公式中的 \(W_{hh}\)。

  • bias_ih (Parameter) - input到hidden的变换矩阵的偏置。形状为（hidden_size, ）。对应公式中的 \(b_{ih}\)。

  • bias_hh (Parameter) - hidden到hidden的变换矩阵的偏置。形状为（hidden_size, ）。对应公式中的 \(b_{hh}\)。

输入:

  • inputs (Tensor) - 输入。形状为[batch_size, input_size]，对应公式中的 \(x_t\)。

  • states (Tensor，可选) - 上一轮的隐藏状态。形状为[batch_size, hidden_size]，对应公式中的 \(h_{t-1}\)。当state为None的时候，初始状态为全0矩阵。默认为None。

输出:

  • outputs (Tensor) - 输出。形状为[batch_size, hidden_size]，对应公式中的 \(h_{t}\)。

  • new_states (Tensor) - 新一轮的隐藏状态。形状为[batch_size, hidden_size]，对应公式中的 \(h_{t}\)。

注解

所有的变换矩阵的权重和偏置都默认初始化为Uniform(-std, std)，其中std = \(\frac{1}{\sqrt{hidden\_size}}\)。对于参数初始化，详情请参考 ParamAttr。

代码示例：

import paddle

x = paddle.randn((4, 16))
prev_h = paddle.randn((4, 32))

cell = paddle.nn.SimpleRNNCell(16, 32)
y, h = cell(x, prev_h)
print(y.shape)

#[4,32]