dynamic_gru

• 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.layers.data(name='sequence', shape=[1],
                         dtype='int32', lod_level=1)
emb = fluid.layers.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)