RNN#

class torch.nn.RNN(input_size, hidden_size, num_layers=1, nonlinearity='tanh', bias=True, batch_first=False, dropout=0.0, bidirectional=False, device=None, dtype=None)[source]#

對輸入序列應用一個多層 Elman RNN，具有 $\tanh$ 或 $\text{ReLU}$ 非線性。對於輸入序列的每個元素，每一層都計算以下函式：

h_t = \tanh(x_t W_{ih}^T + b_{ih} + h_{t-1}W_{hh}^T + b_{hh})

其中 $h_t$ 是時間 t 的隱藏狀態， $x_t$ 是時間 t 的輸入，而 $h_{(t-1)}$ 是上一層在 t-1 時刻的隱藏狀態，或者是 0 時刻的初始隱藏狀態。如果 nonlinearity 是 'relu'，則使用 $\text{ReLU}$ 代替 $\tanh$ 。

# Efficient implementation equivalent to the following with bidirectional=False
rnn = nn.RNN(input_size, hidden_size, num_layers)
params = dict(rnn.named_parameters())
def forward(x, hx=None, batch_first=False):
    if batch_first:
        x = x.transpose(0, 1)
    seq_len, batch_size, _ = x.size()
    if hx is None:
        hx = torch.zeros(rnn.num_layers, batch_size, rnn.hidden_size)
    h_t_minus_1 = hx.clone()
    h_t = hx.clone()
    output = []
    for t in range(seq_len):
        for layer in range(rnn.num_layers):
            input_t = x[t] if layer == 0 else h_t[layer - 1]
            h_t[layer] = torch.tanh(
                input_t @ params[f"weight_ih_l{layer}"].T
                + h_t_minus_1[layer] @ params[f"weight_hh_l{layer}"].T
                + params[f"bias_hh_l{layer}"]
                + params[f"bias_ih_l{layer}"]
            )
        output.append(h_t[-1].clone())
        h_t_minus_1 = h_t.clone()
    output = torch.stack(output)
    if batch_first:
        output = output.transpose(0, 1)
    return output, h_t

引數

input_size – 輸入 x 中預期特徵的數量
hidden_size – 隱藏狀態 h 中的特徵數量
num_layers – 迴圈層數。例如，設定 num_layers=2 將意味著將兩個 RNN 堆疊在一起形成一個堆疊 RNN，第二個 RNN 接收第一個 RNN 的輸出並計算最終結果。預設為：1
nonlinearity – 使用的非線性函式。可以是 'tanh' 或 'relu'。預設為：'tanh'
bias – 如果為 False，則該層不使用偏置權重 b_ih 和 b_hh。預設值：True
batch_first – 如果為 True，則輸入和輸出張量以 (batch, seq, feature) 的形式提供，而不是 (seq, batch, feature)。請注意，這不適用於隱藏狀態或單元狀態。有關詳細資訊，請參閱下方的輸入/輸出部分。預設值：False
dropout – 如果非零，則在除最後一層外的每個 RNN 層的輸出上引入 Dropout 層，其 dropout 機率等於 dropout。預設為：0
bidirectional – 如果為 True，則成為雙向 RNN。預設為：False

輸入：input, hx

input: 未批處理輸入的張量，形狀為 $(L, H_{in})$ ，批處理輸入的張量，形狀為 $(L, N, H_{in})$ 當 batch_first=False 時，或形狀為 $(N, L, H_{in})$ 當 batch_first=True 時。包含輸入序列的特徵。輸入也可以是打包的可變長度序列。有關詳細資訊，請參閱 torch.nn.utils.rnn.pack_padded_sequence() 或 torch.nn.utils.rnn.pack_sequence()。
hx: 未批處理輸入的初始隱藏狀態張量，形狀為 $(D * \text{num\_layers}, H_{out})$ ，批處理輸入的初始隱藏狀態張量，形狀為 $(D * \text{num\_layers}, N, H_{out})$ 。如果未提供，則預設為零。

其中

\begin{aligned} N ={} & \text{batch size} \\ L ={} & \text{sequence length} \\ D ={} & 2 \text{ if bidirectional=True otherwise } 1 \\ H_{in} ={} & \text{input\_size} \\ H_{out} ={} & \text{hidden\_size} \end{aligned}

輸出：output, h_n

output: 未批處理輸入的輸出張量，形狀為 $(L, D * H_{out})$ ，批處理輸入的輸出張量，形狀為 $(L, N, D * H_{out})$ 當 batch_first=False 時，或形狀為 $(N, L, D * H_{out})$ 當 batch_first=True 時。包含 RNN 最後一層對於每個 t 的輸出特徵 (h_t)。如果輸入是 torch.nn.utils.rnn.PackedSequence，輸出也將是打包序列。
h_n: 未批處理輸入的最終隱藏狀態張量，形狀為 $(D * \text{num\_layers}, H_{out})$ ，批處理輸入的最終隱藏狀態張量，形狀為 $(D * \text{num\_layers}, N, H_{out})$ 。包含批次中每個元素的最終隱藏狀態。

變數

weight_ih_l[k] – 第 k 層的可學習輸入-隱藏權重，k = 0 時形狀為 (hidden_size, input_size)。否則，形狀為 (hidden_size, num_directions * hidden_size)
weight_hh_l[k] – 第 k 層的可學習隱藏-隱藏權重，形狀為 (hidden_size, hidden_size)
bias_ih_l[k] – 第 k 層的可學習輸入-隱藏偏置，形狀為 (hidden_size)
bias_hh_l[k] – 第 k 層的可學習隱藏-隱藏偏置，形狀為 (hidden_size)

注意

所有權重和偏置都從 $\mathcal{U}(-\sqrt{k}, \sqrt{k})$ 處初始化，其中 $k = \frac{1}{\text{hidden\_size}}$

注意

對於雙向 RNN，前向和後向分別是方向 0 和 1。當 batch_first=False 時，拆分輸出層的示例：output.view(seq_len, batch, num_directions, hidden_size)。

注意

對於未批處理的輸入，batch_first 引數被忽略。

警告

在某些版本的cuDNN和CUDA上，RNN函式存在已知的非確定性問題。您可以透過設定以下環境變數來強制執行確定性行為

在CUDA 10.1上，設定環境變數 CUDA_LAUNCH_BLOCKING=1。這可能會影響效能。

在 CUDA 10.2 或更高版本中，請設定環境變數（請注意開頭的冒號符號） CUBLAS_WORKSPACE_CONFIG=:16:8 或 CUBLAS_WORKSPACE_CONFIG=:4096:2。

更多資訊請參閱cuDNN 8發行說明。

注意

如果滿足以下條件：1) 啟用了 cudnn，2) 輸入資料在 GPU 上 3) 輸入資料的 dtype 為 torch.float16 4) 使用 V100 GPU，5) 輸入資料不是 PackedSequence 格式，則可以選擇持久化演算法來提高效能。

示例

>>> rnn = nn.RNN(10, 20, 2)
>>> input = torch.randn(5, 3, 10)
>>> h0 = torch.randn(2, 3, 20)
>>> output, hn = rnn(input, h0)

forward(input: Tensor, hx: Optional[Tensor] = None) → tuple[torch.Tensor, torch.Tensor][source]#
forward(input: PackedSequence, hx: Optional[Tensor] = None) → tuple[torch.nn.utils.rnn.PackedSequence, torch.Tensor]: 執行前向傳播。

RNN#

文件

教程

資源