GRUCell

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

一個門控迴圈單元 (GRU) Cell。

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

其中 $\sigma$ 是 Sigmoid 函式，而 $\odot$ 是 Hadamard 積。

引數

• input_size (int) – 輸入 x 中預期特徵的數量

• hidden_size (int) – 隱藏狀態 h 中的特徵數量

• bias (bool) – 如果為 False，則該層不使用偏置權重 b_ih 和 b_hh。預設值：True

輸入：input, hidden

• input ：包含輸入特徵的 Tensor

• hidden ：包含批次中每個元素的初始隱藏狀態的 Tensor。如果未提供，預設為零。

輸出：h’

• h’ ：包含批次中每個元素的下一個隱藏狀態的 Tensor

形狀

• input: $(N, H_{in})$ 或 $(H_{in})$ 包含輸入特徵的 Tensor，其中 $H_{in}$ = input_size。

• hidden: $(N, H_{out})$ 或 $(H_{out})$ 包含初始隱藏狀態的 Tensor，其中 $H_{out}$ = hidden_size。如果未提供，預設為零。

• output: $(N, H_{out})$ 或 $(H_{out})$ 包含下一個隱藏狀態的 Tensor。

變數

• weight_ih (torch.Tensor) – 可學習的輸入到隱藏層權重，形狀為 (3*hidden_size, input_size)

• weight_hh (torch.Tensor) – 可學習的隱藏層到隱藏層權重，形狀為 (3*hidden_size, hidden_size)

• bias_ih – 可學習的輸入到隱藏層偏置，形狀為 (3*hidden_size)

• bias_hh – 可學習的隱藏層到隱藏層偏置，形狀為 (3*hidden_size)

注意

所有權重和偏置均初始化自 $\mathcal{U}(-\sqrt{k}, \sqrt{k})$，其中 $k = \frac{1}{\text{hidden\_size}}$。

在某些 ROCm 裝置上，當使用 float16 輸入時，此模組在反向傳播時會使用不同的精度。

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)