dynamic_gru
注意:该API仅支持【静态图】模式
paddle.fluid.layers.
dynamic_gru
(input, size, param_attr=None, bias_attr=None, is_reverse=False, gate_activation='sigmoid', candidate_activation='tanh', h_0=None, origin_mode=False)[源代码]
注意:该OP的输入只能是LoDTensor,如果您需要处理的输入是Tensor类型,请使用StaticRNN(fluid.layers. StaticRNN )。
该OP用于在完整序列上逐个时间步的进行单层Gated Recurrent Unit(GRU)的计算,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,这个输入并非 input
,该OP不包含
的计算, 注意 要在该OP前使用大小为 size
的3倍的全连接层并将其输出作为 input
;
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
形状的Tensor存放,三个偏置拼接为一个
形状的Tensor存放,其中
为隐单元的数目;权重Tensor存放布局为:
和
拼接为
形状位于前半部分,
以
形状位于后半部分。
- 参数:
- input (Variable) – LoD level为1的LoDTensor,表示经线性变换后的序列输入,形状为 ,其中 表示mini-batch中所有序列长度之和, 为隐状态特征维度的大小。数据类型为float32或float64。
- size (int) – 隐状态特征维度的大小
- 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 。
- 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 。
- is_reverse (bool,可选) – 指明是否按照和输入相反的序列顺序计算,默认为False。
- gate_activation (str,可选) – 公式中 激活函数的类型。支持identity、sigmoid、tanh、relu四种激活函数类型,默认为sigmoid。
- candidate_activation (str,可选) – 公式中 激活函数的类型。支持identity、sigmoid、tanh、relu四种激活函数类型,默认为tanh。
- h_0 (Variable,可选) – 表示初始隐状态的Tensor,若未提供,则默认为0。其形状为
, 其中
为输入mini-batch中序列的数目,
为隐状态特征维度的大小。数据类型与
input
相同。默认值为None。 - origin_mode (bool,可选) – 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。
返回: 形状为
、LoD level为1的LoDTensor,其中
表示mini-batch中所有序列长度之和,
为隐状态特征维度的大小。表示经过GRU变换的输出特征序列,和 input
具有相同的LoD(序列长度)和数据类型。
返回类型: Variable
代码示例
- import paddle.fluid as fluid
- dict_dim, emb_dim = 128, 64
- data = fluid.data(name='sequence',
- shape=[None],
- dtype='int64',
- lod_level=1)
- emb = fluid.embedding(input=data, size=[dict_dim, emb_dim])
- hidden_dim = 512
- x = fluid.layers.fc(input=emb, size=hidden_dim * 3)
- hidden = fluid.layers.dynamic_gru(input=x, size=hidden_dim)