GRU

class paddle.nn.GRU ( input_size, hidden_size, num_layers\=1, direction\=’forward’, dropout\=0., time_major\=False, weight_ih_attr\=None, weight_hh_attr\=None, bias_ih_attr\=None, bias_hh_attr\=None ) [源代码]

门控循环单元网络

该OP是门控循环单元网络(GRU),根据输出序列和给定的初始状态计算返回输出序列和最终状态。在该网络中的每一层对应输入的step，每个step根据当前时刻输入

和上一时刻状态

计算当前时刻输出

并更新状态 ht 。

状态更新公式如下：

其中：

：sigmoid激活函数。

参数：

input_size (int) - 输入的大小。
hidden_size (int) - 隐藏状态大小。
num_layers (int，可选) - 网络层数。默认为1。
direction (str，可选) - 网络迭代方向，可设置为forward或bidirect（或bidirectional）。默认为forward。
time_major (bool，可选) - 指定input的第一个维度是否是time steps。默认为False。
dropout (float，可选) - dropout概率，指的是出第一层外每层输入时的dropout概率。默认为0。
weight_ih_attr (ParamAttr，可选) - weight_ih的参数。默认为None。
weight_hh_attr (ParamAttr，可选) - weight_hh的参数。默认为None。
bias_ih_attr (ParamAttr，可选) - bias_ih的参数。默认为None。
bias_hh_attr (ParamAttr，可选) - bias_hh的参数。默认为None。

输入:

inputs (Tensor) - 网络输入。如果time_major为True，则Tensor的形状为[time_steps,batch_size,input_size]，如果time_major为False，则Tensor的形状为[batch_size,time_steps,input_size]。
initial_states (Tensor，可选) - 网络的初始状态，形状为[num_lauers * num_directions, batch_size, hidden_size]。如果没有给出则会以全零初始化。
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True，则Tensor的形状为[time_steps,batch_size,num_directions * hidden_size]，如果time_major为False，则Tensor的形状为[batch_size,time_steps,num_directions * hidden_size]，当direction设置为bidirectional时，num_directions等于2，否则等于1。
final_states (Tensor) - 最终状态。形状为[num_layers * num_directions, batch_size, hidden_size]，当direction设置为bidirectional时，num_directions等于2，返回值的前向和后向的状态的索引是0，2，4，6…和1，3，5，7…，否则等于1。

代码示例：

import paddle
rnn = paddle.nn.GRU(16, 32, 2)
x = paddle.randn((4, 23, 16))
prev_h = paddle.randn((2, 4, 32))
y, h = rnn(x, prev_h)
print(y.shape)
print(h.shape)
#[4,23,32]
#[2,4,32]