GRUCell

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

一个门控循环单元 (GRU) 单元。

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

其中 $\sigma$ 是 sigmoid 函数，$\odot$ 是 Hadamard 积。

参数:

• input_size (int) – 输入 x 中预期的特征数量

• 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。默认值：True

输入：input, hidden

• input : tensor containing input features

• hidden : tensor containing the initial hidden state for each element in the batch. Defaults to zero if not provided.

输出：h’

• h’ : tensor containing the next hidden state for each element in the batch

形状

• input: $(N, H_{in})$ 或 $(H_{in})$ 张量，包含输入特征，其中 $H_{in}$ = input_size。

• hidden: $(N, H_{out})$ 或 $(H_{out})$ 张量，包含初始隐藏状态，其中 $H_{out}$ = hidden_size。如果未提供，则默认为零。

• output: $(N, H_{out})$ 或 $(H_{out})$ 张量，包含下一个隐藏状态。

变量:

• weight_ih (torch.Tensor) – 可学习的输入-隐藏权重，形状为 (3*hidden_size, input_size)

• weight_hh (torch.Tensor) – 可学习的隐藏-隐藏权重，形状为 (3*hidden_size, hidden_size)

• bias_ih – the learnable input-hidden bias, of shape (3*hidden_size)

• bias_hh – the learnable hidden-hidden bias, of shape (3*hidden_size)

注意

所有权重和偏差均从 $\mathcal{U}(-\sqrt{k}, \sqrt{k})$ 中均匀初始化，其中 $k = \frac{1}{\text{hidden\_size}}$。

在某些 ROCm 设备上，当使用 float16 输入时，此模块将对反向传播使用不同精度。

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)