GRU 单元 ¶

class torch.nn.GRUCell(input_size, hidden_size, bias=True, device=None, dtype=None)

一个门控循环单元（GRU）单元。

$$\begin{array}{ll} r = \sigma(W_{ir} x + b_{ir} + W_{hr} h + b_{hr}) \\ z = \sigma(W_{iz} x + b_{iz} + W_{hz} h + b_{hz}) \\ n = \tanh(W_{in} x + b_{in} + r \odot (W_{hn} h + b_{hn})) \\ h' = (1 - z) \odot n + z \odot h \end{array}$$

其中 $\sigma$ 是 sigmoid 函数， $\odot$ 是 Hadamard 积。

参数:

• input_size（int）- 输入 x 中期望的特征数量

• hidden_size（int）- 隐藏状态 h 中的特征数量

• bias（bool）- 如果为 False ，则该层不使用偏置权重 b_ih 和 b_hh。默认： True

输入：输入，隐藏

• 输入：包含输入特征的张量

• 隐藏：包含每个批次中每个元素的初始隐藏状态的张量。如果未提供，默认为零。

输出：h’

• h’：包含每个批次中每个元素下一个隐藏状态的张量

形状：

• 输入： $(N, H_{in})$ 或 $(H_{in})$ 包含输入特征的张量，其中 $H_{in}$ = 输入大小。

• 隐藏状态： $(N, H_{out})$ 或 $(H_{out})$ 包含初始隐藏状态的张量，其中 $H_{out}$ = 隐藏状态大小。如未提供，默认为零。

• 输出： $(N, H_{out})$ 或 $(H_{out})$ 包含下一个隐藏状态的张量。

变量:

• weight_ih (torch.Tensor) – 可学习的输入-隐藏权重，形状为 (3*hidden_size, input_size)

• weight_hh (torch.Tensor) – 可学习的隐藏-隐藏权重，形状为 (3*hidden_size, hidden_size)

• bias_ih – 可学习的输入-隐藏偏置，形状为 (3*hidden_size)

• bias_hh – 可学习的隐藏-隐藏偏置，形状为 (3*hidden_size)

注意

所有权重和偏差都从 $\mathcal{U}(-\sqrt{k}, \sqrt{k})$ 初始化，其中 $k = \frac{1}{\text{hidden\_size}}$

在某些 ROCm 设备上，当使用 float16 输入时，该模块将使用不同的精度进行反向操作。

示例：

>>> rnn = nn.GRUCell(10, 20)
>>> input = torch.randn(6, 3, 10)
>>> hx = torch.randn(3, 20)
>>> output = []
>>> for i in range(6):
...     hx = rnn(input[i], hx)
...     output.append(hx)