RNNCell

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

帶有 tanh 或 ReLU 非線性的 Elman RNN Cell。

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

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

引數

• input_size (int) – 輸入 x 中預期特徵的數量

• hidden_size (int) – 隱狀態 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

• nonlinearity (str) – 要使用的非線性啟用函式。可以是 'tanh' 或 'relu'。預設值：'tanh'

輸入：input, hidden

• input: 包含輸入特徵的張量

• hidden: 包含初始隱狀態的張量。如果未提供，則預設為零。

輸出：h’

• 形狀為 (batch, hidden_size) 的 h’: 包含批次中每個元素的下一個隱狀態的張量

形狀

• input: $(N, H_{in})$ or $(H_{in})$ tensor containing input features where $H_{in}$ = input_size.

• hidden: $(N, H_{out})$ or $(H_{out})$ tensor containing the initial hidden state where $H_{out}$ = hidden_size。如果未提供，則預設為零。

• output: $(N, H_{out})$ or $(H_{out})$ 包含下一個隱狀態的張量。

變數

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

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

• bias_ih – 可學習的輸入到隱層偏置，形狀為 (hidden_size)

• bias_hh – 可學習的隱層到隱層偏置，形狀為 (hidden_size)

注意

所有權重和偏置均從 $\mathcal{U}(-\sqrt{k}, \sqrt{k})$ 中初始化，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)