SimpleRNN

class paddle.nn. SimpleRNN ( input_size, hidden_size, num_layers=1, activation='tanh', direction='forward', dropout=0., time_major=False, weight_ih_attr=None, weight_hh_attr=None, bias_ih_attr=None, bias_hh_attr=None ) [源代码]

简单循环神经网络

该OP是简单循环神经网络(SimpleRNN),根据输出序列和给定的初始状态计算返回输出序列和最终状态。在该网络中的每一层对应输入的step,每个step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:

\[ \begin{align}\begin{aligned}h_{t} & = \mathrm{tanh}(W_{ih}x_{t} + b_{ih} + W_{hh}h_{t-1} + b_{hh})\\y_{t} & = h_{t}\end{aligned}\end{align} \]
参数:
  • input_size (int) - 输入的大小。

  • hidden_size (int) - 隐藏状态大小。

  • num_layers (int,可选) - 网络层数。默认为1。

  • direction (str,可选) - 网络迭代方向,可设置为forward或bidirect(或bidirectional)。默认为forward。

  • time_major (bool,可选) - 指定input的第一个维度是否是time steps。默认为False。

  • dropout (float,可选) - dropout概率,指的是出第一层外每层输入时的dropout概率。默认为0。

  • activation (str, 可选) - 网络中每个单元的激活函数。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。

输入:
  • inputs (Tensor) - 网络输入。如果time_major为False,则Tensor的形状为[batch_size,time_steps,input_size],如果time_major为True,则Tensor的形状为[time_steps,batch_size,input_size]。

  • initial_states (Tensor,可选) - 网络的初始状态,形状为[num_lauers * num_directions, batch_size, hidden_size]。如果没有给出则会以全零初始化。

  • sequence_length (Tensor,可选) - 指定输入序列的长度,形状为[batch_size],数据类型为int64或int32。在输入序列中所有time step不小于sequence_length的元素都会被当作填充元素处理(状态不再更新)。

输出:
  • outputs (Tensor) - 输出,由前向和后向cell的输出拼接得到。如果time_major为False,则Tensor的形状为[batch_size,time_steps,num_directions * hidden_size],如果time_major为True,则Tensor的形状为[time_steps,batch_size,num_directions * hidden_size],当direction设置为bidirectional时,num_directions等于2,否则等于1。

  • final_states (Tensor) - 最终状态。形状为[num_layers * num_directions, batch_size, hidden_size],当direction设置为bidirectional时,num_directions等于2,返回值的前向和后向的状态的索引是0,2,4,6...和1,3,5,7...,否则等于1。

代码示例

import paddle

rnn = paddle.nn.SimpleRNN(16, 32, 2)

x = paddle.randn((4, 23, 16))
prev_h = paddle.randn((2, 4, 32))
y, h = rnn(x, prev_h)

print(y.shape)
print(h.shape)

#[4,23,32]
#[2,4,32]