LSTMCell ¬

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

长短期记忆（LSTM）单元。

$$\begin{array}{ll} i = \sigma(W_{ii} x + b_{ii} + W_{hi} h + b_{hi}) \\ f = \sigma(W_{if} x + b_{if} + W_{hf} h + b_{hf}) \\ g = \tanh(W_{ig} x + b_{ig} + W_{hg} h + b_{hg}) \\ o = \sigma(W_{io} x + b_{io} + W_{ho} h + b_{ho}) \\ c' = f \odot c + i \odot g \\ h' = o \odot \tanh(c') \\ \end{array}$$

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：input，(h_0, c_0)

• 输入形状为(batch, input_size)或(input_size)：包含输入特征的张量

• h_0 形状为(batch, hidden_size)或(hidden_size)：包含初始隐藏状态的张量

• c_0 的形状为 (batch, hidden_size) 或 (hidden_size)：包含初始细胞状态的张量

  如果 (h_0, c_0) 未提供，则 h_0 和 c_0 默认为 0。

输出：(h_1, c_1)

• h_1 的形状为 (batch, hidden_size) 或 (hidden_size)：包含下一个隐藏状态的张量

• c_1 的形状为 (batch, hidden_size) 或 (hidden_size)：包含下一个细胞状态的张量

变量:

• weight_ih (torch.Tensor) – 可学习的输入-隐藏权重，形状为 (4*hidden_size, input_size)

• weight_hh (torch.Tensor) – 可学习的隐藏-隐藏权重，形状为 (4*hidden_size, hidden_size)

• bias_ih – 可学习的输入-隐藏偏置，形状为 (4*hidden_size)

• bias_hh – 可学习的隐藏-隐藏偏置，形状为 (4*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.LSTMCell(10, 20)  # (input_size, hidden_size)
>>> input = torch.randn(2, 3, 10)  # (time_steps, batch, input_size)
>>> hx = torch.randn(3, 20)  # (batch, hidden_size)
>>> cx = torch.randn(3, 20)
>>> output = []
>>> for i in range(input.size()[0]):
...     hx, cx = rnn(input[i], (hx, cx))
...     output.append(hx)
>>> output = torch.stack(output, dim=0)