dynamic_gru

dynamic_gru

查看属性与别名

API属性：声明式编程(静态图)专用API

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。

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)