rnn
paddle.fluid.layers.rnn
( cell, inputs, initial_states\=None, sequence_length\=None, time_major\=False, is_reverse\=False, \*kwargs* ) [源代码]
rnn创建一个由RNNCell cell
指定的递归神经网络,该神经网络重复执行 cell.call()
直至达到 inputs
的最大长度。
参数:
cell (RNNCell) - RNNCell的实例。
inputs (Variable) - 单个tensor变量或tensor变量组成的嵌套结构。当
time_major == False
时,tensor的形状应为;当
time_major == True
时,tensor的形状应为。它表示要在RNN中展开的输入。
initial_states (Variable,可选) - 初始状态,单个tensor变量或tensor变量组成的嵌套结构,表示RNN的初始状态。如果未提供,将使用
cell.get_initial_states
产生初始状态。默认值None。sequence_length (Variable,可选) - 序列长度,形状为
的tensor。它存储每个实例的实际长度,从而使用户能够在批处理的时候,提取最后一个有效状态,以确保正确性。如果未提供,则不区分填充和非填充输入。默认值None。
time_major (bool,可选) - 指示输入tensor和输出tensor中包含的tensor的数据组织。如果为False,则数据组织为batch为主,形状为
。如果为True,则数据组织为time为主,形状为 [sequence_length,batch_size,…][sequence_length,batch_size,…]。默认值:False。
is_reverse (bool,可选) - 指示是否以输入序列的相反顺序进行计算。默认值:False。
kwargs - 其他关键字参数。参数传递给
cell.call
。
返回:一个元组 (final_outputs, final_states)
,包括 final_outputs
和 final_states
,均为单个tensor变量或tensor变量的嵌套结构。final_outputs
具有与 cell.call
返回的 outputs
相同的结构和数据类型,并且 final_outputs
中的每个tensor是将所有时间步的 outputs
中对应内容堆叠产生,因此其形状为 [batch_size,sequence_length,…][batch_size,sequence_length,…] (time_major == False
时)或 [sequence_length,batch_size,…][sequence_length,batch_size,…] (time_major == True
时)。final_states
是最后一步的状态,因此具有和 initial_states
相同的结构,形状和数据类型。
返回类型:tuple
示例代码
import paddle.fluid as fluid
inputs = fluid.data(name="inputs",
shape=[-1, 32, 128],
dtype="float32")
cell = fluid.layers.GRUCell(hidden_size=128)
outputs = fluid.layers.rnn(cell=cell, inputs=inputs)