BiRNN

class paddle.nn.BiRNN ( cell_fw, cell_bw, time_major=False ) [源代码]

双向循环神经网络

该OP是双向循环神经网络（BiRNN）的封装，将输入的前向cell和后向cell封装为一个双向循环神经网络。该网络单独执行前向和后向cell的计算并将输出拼接。

参数：

  • cell_fw (RNNCellBase) - 前向cell。RNNCellBase类的一个实例。

  • cell_bw (RNNCellBase) - 后向cell。RNNCellBase类的一个实例。

  • time_major (bool，可选) - 指定input的第一个维度是否是time steps。默认为False。

输入:

  • inputs (Tensor) - 输入。如果time_major为False，则Tensor的形状为[batch_size,time_steps,input_size]，如果time_major为True，则Tensor的形状为[time_steps,batch_size,input_size]，input_size为cell的input_size。

  • initial_states (list|tuple，可选) - 输入前向和后向cell的初始状态，如果没有给出则会调用 cell.get_initial_states 生成初始状态。默认为None。

  • sequence_length (Tensor，可选) - 指定输入序列的长度，形状为[batch_size]，数据类型为int64或int32。在输入序列中所有time step不小于sequence_length的元素都会被当作填充元素处理（状态不再更新）。

输出:

  • outputs (Tensor) - 输出，由前向和后向cell的输出拼接得到。如果time_major为False，则Tensor的形状为[batch_size,time_steps,cell_fw.hidden_size + cell_bw.hidden_size]，如果time_major为True，则Tensor的形状为[time_steps,batch_size,cell_fw.hidden_size + cell_bw.hidden_size]。

  • final_states (tuple) - 前向和后向cell的最终状态。

注解

该类是一个封装rnn cell的低级api，用户在使用forward函数时须确保initial_states满足cell的要求。

代码示例：

  1. import paddle
  3. cell_fw = paddle.nn.LSTMCell(16, 32)
  4. cell_bw = paddle.nn.LSTMCell(16, 32)
  6. rnn = paddle.nn.BiRNN(cell_fw, cell_bw)
  7. inputs = paddle.rand((2, 23, 16))
  8. outputs, final_states = rnn(inputs)
  10. print(outputs.shape)
  11. print(final_states[0][0].shape,len(final_states),len(final_states[0]))
  13. #[4,23,64]
  14. #[2,32] 2 2