GRUCell

class torch.nn.modules.rnn.GRUCell(input_size, hidden_size, bias=True, device=None, dtype=None) [source]

Ячейка с вентильным рекуррентным блоком (GRU).

$$\begin{array}{ll} r = \sigma(W_{ir} x + b_{ir} + W_{hr} h + b_{hr}) \\ z = \sigma(W_{iz} x + b_{iz} + W_{hz} h + b_{hz}) \\ n = \tanh(W_{in} x + b_{in} + r \odot (W_{hn} h + b_{hn})) \\ h' = (1 - z) \odot n + z \odot h \end{array}$$

где $\sigma$ — сигмоидная функция, а $\odot$ — произведение Адамара.

Параметры:

• input_size (int) – Количество ожидаемых признаков во входных данных x
• hidden_size (int) – Количество признаков в скрытом состоянии h
• bias (bool) – Если False, слой не использует смещения b_ih и b_hh. Значение по умолчанию: True

Входные данные: input, hidden

• input : тензор, содержащий входные признаки
• hidden : тензор, содержащий начальное скрытое состояние для каждого элемента в пакете. Если значение не задано, по умолчанию используется ноль.

Выходные данные: h’

• h’ : тензор, содержащий следующее скрытое состояние для каждого элемента в пакете

Форма:

• input: $(N, H_{in})$ или $(H_{in})$ тензор, содержащий входные признаки, где $H_{in}$ = input_size.
• hidden: $(N, H_{out})$ или $(H_{out})$ тензор, содержащий начальное скрытое состояние, где $H_{out}$ = hidden_size. Если значение не задано, по умолчанию используется ноль.
• output: $(N, H_{out})$ или $(H_{out})$ тензор, содержащий следующее скрытое состояние.

Переменные:

• weight_ih (torch.Tensor) – обучаемые веса между входом и скрытым состоянием, формы (3*hidden_size, input_size)
• weight_hh (torch.Tensor) – обучаемые веса между скрытыми состояниями, формы (3*hidden_size, hidden_size)
• bias_ih – обучаемое смещение между входом и скрытым состоянием, формы (3*hidden_size)
• bias_hh – обучаемое смещение между скрытыми состояниями, формы (3*hidden_size)

Примечание

Все веса и смещения инициализируются из распределения $\mathcal{U}(-\sqrt{k}, \sqrt{k})$, где $k = \frac{1}{\text{hidden\_size}}$

На некоторых устройствах ROCm при использовании входных данных float16 этот модуль использует другую точность для обратного распространения.

Примеры:

>>> rnn = nn.GRUCell(10, 20)
>>> input = torch.randn(6, 3, 10)
>>> hx = torch.randn(3, 20)
>>> output = []
>>> for i in range(6):
...     hx = rnn(input[i], hx)
...     output.append(hx)