GRUUnit
- class
paddle.fluid.dygraph.
GRUUnit
(name_scope, size, param_attr=None, bias_attr=None, activation='tanh', gate_activation='sigmoid', origin_mode=False, dtype='float32')[源代码]
该接口用于构建 GRU(Gated Recurrent Unit)
类的一个可调用对象,具体用法参照 代码示例
。其用于完成单个时间步内GRU的计算,支持以下两种计算方式:
如果origin_mode为True,则使用的运算公式来自论文 Learning Phrase Representations using RNN Encoder Decoder for Statistical Machine Translation 。
如果origin_mode为False,则使用的运算公式来自论文 Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling 。
公式如下:
其中,
为当前时间步的输入,
为前一时间步的隐状态 hidden
;
、
、
和
分别代表了GRU单元中update gate(更新门)、reset gate(重置门)、candidate hidden(候选隐状态)和隐状态输出;
为逐个元素相乘;
、
和
分别代表更新门、重置门和候选隐状态在计算时使用的权重矩阵和偏置。在实现上,三个权重矩阵合并为一个维度为
的Tensor存放。
- 参数:
- size (int) – 输入数据的维度大小。
- param_attr (ParamAttr,可选) – 指定权重参数属性的对象。默认值为None,表示使用默认的权重参数属性。具体用法请参见 ParamAttr 。
- 注意
- 权重参数维度为 , 是隐藏状态的规模(hidden size), 其值与输入size相关,计算方式为size除以3取整 。
- 权重参数矩阵所有元素由两部分组成, 一是update gate和reset gate的权重,维度为 的2D Tensor,数据类型可以为float32或float64;二是候选隐藏状态(candidate hidden state)的权重矩阵,维度为 的2D Tensor,数据类型可以为float32或float64。
- bias_attr (ParamAttr,可选) - 指定偏置参数属性的对象。默认值为None,表示使用默认的偏置参数属性。具体用法请参见 ParamAttr 。
- activation (str,可选) – 公式中 激活函数的类型。可以为'identity'、'sigmoid'、'tanh'、'relu'四种激活函数设置值。默认值为'tanh'。
- gate_activation (str,可选) – 公式中 激活函数的类型。可以为'identity'、'sigmoid'、'tanh'、'relu'四种激活函数设置值。默认值为'sigmoid'。
- origin_mode (bool) – 指明要使用的GRU计算方式,两种计算方式具体差异见公式描述。默认值为False。
- dtype (str,可选) – 该层的数据类型,可以为'float32', 'float64'。默认值为'float32'。
- 返回:
- None.
代码示例
- import paddle.fluid as fluid
- import paddle.fluid.dygraph.base as base
- import numpy
- lod = [[2, 4, 3]]
- D = 5
- T = sum(lod[0])
- input = numpy.random.rand(T, 3 * D).astype('float32')
- hidden_input = numpy.random.rand(T, D).astype('float32')
- with fluid.dygraph.guard():
- x = numpy.random.random((3, 32, 32)).astype('float32')
- gru = fluid.dygraph.GRUUnit(size=D * 3)
- dy_ret = gru(
- base.to_variable(input), base.to_variable(hidden_input))
属性
weight
本层的可学习参数,类型为 Parameter
bias
本层的可学习偏置,类型为 Parameter