StaticRNN

查看属性与别名

API属性：声明式编程(静态图)专用API

class paddle.fluid.layers.StaticRNN ( name=None ) [源代码]

该OP用来处理一批序列数据，其中每个样本序列的长度必须相等。StaticRNN将序列按照时间步长展开，用户需要定义每个时间步中的处理逻辑。

参数

  • name (str，可选) - 具体用法请参见 Name ，一般无需设置，默认值为None。

代码示例

  1. import paddle.fluid as fluid
  2. import paddle.fluid.layers as layers
  4. vocab_size, hidden_size=10000, 200
  5. x = layers.data(name="x", shape=[-1, 1, 1], dtype='int64')
  7. # 创建处理用的word sequence
  8. x_emb = layers.embedding(
  9.     input=x,
  10.     size=[vocab_size, hidden_size],
  11.     dtype='float32',
  12.     is_sparse=False)
  13. # 把batch size变换到第1维。
  14. x_emb = layers.transpose(x_emb, perm=[1, 0, 2])
  16. rnn = fluid.layers.StaticRNN()
  17. with rnn.step():
  18.     # 将刚才创建的word sequence标记为输入，每个时间步取一个word处理。
  19.     word = rnn.step_input(x_emb)
  20.     # 创建memory变量作为prev，batch size来自于word变量。
  21.     prev = rnn.memory(shape=[-1, hidden_size], batch_ref = word)
  22.     hidden = fluid.layers.fc(input=[word, prev], size=hidden_size, act='relu')
  23.     # 用处理完的hidden变量更新prev变量。
  24.     rnn.update_memory(prev, hidden)
  25.     # 把每一步处理后的hidden标记为输出序列。
  26.     rnn.step_output(hidden)
  27. # 获取最终的输出结果
  28. result = rnn()

方法

step()

定义在每个时间步执行的操作。step用在with语句中，with语句中定义的OP会被执行sequence_len次(sequence_len是输入序列的长度)。

memory(init=None, shape=None, batch_ref=None, init_value=0.0, init_batch_dim_idx=0, ref_batch_dim_idx=1)

为静态RNN创建一个内存变量。 如果init不为None，则用init将初始化memory。 如果init为None，则必须设置shape和batch_ref，函数会使用shape和batch_ref创建新的Variable来初始化init。

参数

  • init (Variable，可选) - 用来初始化memory的Tensor。如果没有设置，则必须提供shape和batch_ref参数。默认值None。
  • shape (list|tuple) - 当init为None时用来设置memory的维度，注意不包括batch_size。默认值None。
  • batch_ref (Variable，可选) - 当init为None时，memory变量的batch size会设置为该batch_ref变量的ref_batch_dim_idx轴。默认值None。
  • init_value (float，可选) - 当init为None时用来设置memory的初始值，默认值0.0。
  • init_batch_dim_idx (int，可选) - init变量的batch_size轴，默认值0。
  • ref_batch_dim_idx (int，可选) - batch_ref变量的batch_size轴，默认值1。

返回 返回创建的memory变量。

返回类型 Variable

代码示例 1

  1. import paddle.fluid as fluid
  2. import paddle.fluid.layers as layers
  4. vocab_size, hidden_size=10000, 200
  5. x = layers.data(name="x", shape=[-1, 1, 1], dtype='int64')
  7. # 创建处理用的word sequence
  8. x_emb = layers.embedding(
  9.     input=x,
  10.     size=[vocab_size, hidden_size],
  11.     dtype='float32',
  12.     is_sparse=False)
  13. # 把batch size变换到第1维。
  14. x_emb = layers.transpose(x_emb, perm=[1, 0, 2])
  16. rnn = fluid.layers.StaticRNN()
  17. with rnn.step():
  18.     # 将刚才创建的word sequence标记为输入，每个时间步取一个word处理。
  19.     word = rnn.step_input(x_emb)
  20.     # 创建memory变量作为prev，batch size来自于word变量。
  21.     prev = rnn.memory(shape=[-1, hidden_size], batch_ref = word)
  22.     hidden = fluid.layers.fc(input=[word, prev], size=hidden_size, act='relu')
  23.     # 用处理完的hidden变量更新prev变量。
  24.     rnn.update_memory(prev, hidden)

代码示例 2

  1. import paddle.fluid as fluid
  2. import paddle.fluid.layers as layers
  4. vocab_size, hidden_size=10000, 200
  5. x = layers.data(name="x", shape=[-1, 1, 1], dtype='int64')
  7. # 创建处理用的word sequence
  8. x_emb = layers.embedding(
  9.     input=x,
  10.     size=[vocab_size, hidden_size],
  11.     dtype='float32',
  12.     is_sparse=False)
  13. # 把batch size变换到第1维。
  14. x_emb = layers.transpose(x_emb, perm=[1, 0, 2])
  15. boot_memory = fluid.layers.data(name='boot', shape=[hidden_size], dtype='float32', lod_level=1)
  17. rnn = fluid.layers.StaticRNN()
  18. with rnn.step():
  19.     # 将刚才创建的word sequence标记为输入，每个时间步取一个word处理。
  20.     word = rnn.step_input(x_emb)
  21.     # 用init初始化memory。
  22.     prev = rnn.memory(init=boot_memory)
  23.     hidden = fluid.layers.fc(input=[word, prev], size=hidden_size, act='relu')
  24.     # 用处理完的hidden变量更新prev变量。
  25.     rnn.update_memory(prev, hidden)

step_input(x)

标记StaticRNN的输入序列。

参数

  • x (Variable) – 输入序列，x的形状应为[seq_len, …]。

返回 输入序列中当前时间步的数据。

返回类型 Variable

代码示例

  1. import paddle.fluid as fluid
  2. import paddle.fluid.layers as layers
  4. vocab_size, hidden_size=10000, 200
  5. x = layers.data(name="x", shape=[-1, 1, 1], dtype='int64')
  7. # 创建处理用的word sequence
  8. x_emb = layers.embedding(
  9.     input=x,
  10.     size=[vocab_size, hidden_size],
  11.     dtype='float32',
  12.     is_sparse=False)
  13. # 把batch size变换到第1维。
  14. x_emb = layers.transpose(x_emb, perm=[1, 0, 2])
  16. rnn = fluid.layers.StaticRNN()
  17. with rnn.step():
  18.     # 将刚才创建的word sequence标记为输入，每个时间步取一个word处理。
  19.     word = rnn.step_input(x_emb)
  20.     # 创建memory变量作为prev，batch size来自于word变量。
  21.     prev = rnn.memory(shape=[-1, hidden_size], batch_ref = word)
  22.     hidden = fluid.layers.fc(input=[word, prev], size=hidden_size, act='relu')
  23.     # 用处理完的hidden变量更新prev变量。
  24.     rnn.update_memory(prev, hidden)

step_output(o)

标记StaticRNN输出的序列。

参数

- o (Variable) – 输出序列

返回 无

代码示例

  1. import paddle.fluid as fluid
  2. import paddle.fluid.layers as layers
  4. vocab_size, hidden_size=10000, 200
  5. x = layers.data(name="x", shape=[-1, 1, 1], dtype='int64')
  7. # 创建处理用的word sequence
  8. x_emb = layers.embedding(
  9.     input=x,
  10.     size=[vocab_size, hidden_size],
  11.     dtype='float32',
  12.     is_sparse=False)
  13. # 把batch size变换到第1维。
  14. x_emb = layers.transpose(x_emb, perm=[1, 0, 2])
  16. rnn = fluid.layers.StaticRNN()
  17. with rnn.step():
  18.     # 将刚才创建的word sequence标记为输入，每个时间步取一个word处理。
  19.     word = rnn.step_input(x_emb)
  20.     # 创建memory变量作为prev，batch size来自于word变量。
  21.     prev = rnn.memory(shape=[-1, hidden_size], batch_ref = word)
  22.     hidden = fluid.layers.fc(input=[word, prev], size=hidden_size, act='relu')
  23.     # 用处理完的hidden变量更新prev变量。
  24.     rnn.update_memory(prev, hidden)
  25.     # 把每一步处理后的hidden标记为输出序列。
  26.     rnn.step_output(hidden)
  28. result = rnn()

output(*outputs)

标记StaticRNN输出变量。

参数

- outputs – 输出Tensor，可同时将多个Variable标记为输出。

返回 无

代码示例

  1. import paddle.fluid as fluid
  2. import paddle.fluid.layers as layers
  4. vocab_size, hidden_size=10000, 200
  5. x = layers.data(name="x", shape=[-1, 1, 1], dtype='int64')
  7. # 创建处理用的word sequence
  8. x_emb = layers.embedding(
  9.     input=x,
  10.     size=[vocab_size, hidden_size],
  11.     dtype='float32',
  12.     is_sparse=False)
  13. # 把batch size变换到第1维。
  14. x_emb = layers.transpose(x_emb, perm=[1, 0, 2])
  16. rnn = fluid.layers.StaticRNN()
  17. with rnn.step():
  18.     # 将刚才创建的word sequence标记为输入，每个时间步取一个word处理。
  19.     word = rnn.step_input(x_emb)
  20.     # 创建memory变量作为prev，batch size来自于word变量。
  21.     prev = rnn.memory(shape=[-1, hidden_size], batch_ref = word)
  22.     hidden = fluid.layers.fc(input=[word, prev], size=hidden_size, act='relu')
  23.     # 用处理完的hidden变量更新prev变量。
  24.     rnn.update_memory(prev, hidden)
  25.     # 把每一步的hidden和word标记为输出。
  26.     rnn.output(hidden, word)
  28. result = rnn()

update_memory(mem, var)

将memory从mem更新为var。

参数

  • mem (Variable) – memory接口定义的变量。
  • var (Variable) – RNN块中的变量，用来更新memory。var的维度和数据类型必须与mem一致。

返回 无

代码示例参考前述示例。