RNN 单元 ¶

class torch.nn.RNNCell(input_size, hidden_size, bias=True, nonlinearity='tanh', device=None, dtype=None)

基于 tanh 或 ReLU 非线性函数的 Elman RNN 单元。

$$h' = \tanh(W_{ih} x + b_{ih} + W_{hh} h + b_{hh})$$

如果 nonlinearity 是‘relu’，则使用 ReLU 代替 tanh。

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

• nonlinearity (str) – 要使用的非线性函数。可以是 'tanh' 或 'relu' 。默认： 'tanh'

输入：输入，隐藏

• 输入：包含输入特征的张量

• 隐藏状态：包含每个批处理元素下一个隐藏状态的张量，默认为零（如果未提供）。

输出：h’

• h’的形状为（batch，hidden_size）：包含每个批处理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（hidden_size，input_size）

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

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

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

注意

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

示例：

>>> rnn = nn.RNNCell(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)