rnn

  • paddle.fluid.layers.rnn(inputs, initial_states=None, sequence_length=None, time_major=False, is_reverse=False, **kwargs)[源代码]

rnn创建一个由RNNCell cell 指定的递归神经网络，该神经网络重复执行 cell.call() 直至达到 inputs 的最大长度。

  • 参数：
    • cell (RNNCell) - RNNCell的实例。
    • inputs (Variable) - 单个tensor变量或tensor变量组成的嵌套结构。当 time_major == False 时，tensor的形状应为 rnn - 图1 ；当 time_major == True 时，tensor的形状应为 rnn - 图2 。它表示要在RNN中展开的输入。
    • initial_states (Variable，可选) - 初始状态，单个tensor变量或tensor变量组成的嵌套结构，表示RNN的初始状态。如果未提供，将使用 cell.get_initial_states 产生初始状态。默认值None。
    • sequence_length (Variable，可选) - 序列长度，形状为 rnn - 图3 的tensor。它存储每个实例的实际长度，从而使用户能够在批处理的时候，提取最后一个有效状态，以确保正确性。如果未提供，则不区分填充和非填充输入。默认值None。
    • time_major (bool，可选) - 指示输入tensor和输出tensor中包含的tensor的数据组织。如果为False，则数据组织为batch为主，形状为 rnn - 图4 。如果为True，则数据组织为time为主，形状为 rnn - 图5 。默认值：False。
    • is_reverse (bool，可选) - 指示是否以输入序列的相反顺序进行计算。默认值：False。
    • kwargs - 其他关键字参数。参数传递给 cell.call。

返回:一个元组 (final_outputs, final_states) ，包括 final_outputs 和 final_states，均为单个tensor变量或tensor变量的嵌套结构。final_outputs 具有与 cell.call 返回的 outputs 相同的结构和数据类型，并且 final_outputs 中的每个tensor是将所有时间步的 outputs 中对应内容堆叠产生，因此其形状为

rnn - 图6 （time_major == False 时）或 rnn - 图7 （time_major == True 时）。final_states 是最后一步的状态，因此具有和 initial_states 相同的结构，形状和数据类型。

返回类型：tuple

示例代码

  1. import paddle.fluid as fluid
  2. inputs = fluid.data(name="inputs",
  3.                     shape=[-1, 32, 128],
  4.                     dtype="float32")
  5. cell = fluid.layers.GRUCell(hidden_size=128)
  6. outputs = fluid.layers.rnn(cell=cell, inputs=inputs)