LSTMCell

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

一個長短期記憶 (LSTM) 單元。

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

其中 $\sigma$ 是 sigmoid 函式，$\odot$ 是 Hadamard 乘積。

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, (h_0, c_0)

• 形狀為 (batch, input_size) 或 (input_size) 的 input：包含輸入特徵的張量

• 形狀為 (batch, hidden_size) 或 (hidden_size) 的 h_0：包含初始隱藏狀態的張量

• 形狀為 (batch, hidden_size) 或 (hidden_size) 的 c_0：包含初始單元狀態的張量

  如果未提供 (h_0, c_0)，則 h_0 和 c_0 都預設為零。

輸出：(h_1, c_1)

• 形狀為 (batch, hidden_size) 或 (hidden_size) 的 h_1：包含下一個隱藏狀態的張量

• 形狀為 (batch, hidden_size) 或 (hidden_size) 的 c_1：包含下一個單元狀態的張量

變數

• weight_ih (torch.Tensor) – 可學習的輸入-隱藏權重，形狀為 (4*hidden_size, input_size)

• weight_hh (torch.Tensor) – 可學習的隱藏-隱藏權重，形狀為 (4*hidden_size, hidden_size)

• bias_ih – 可學習的輸入-隱藏偏置，形狀為 (4*hidden_size)

• bias_hh – 可學習的隱藏-隱藏偏置，形狀為 (4*hidden_size)

注意

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

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

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)