RNNCell

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

Ячейка Elman RNN с нелинейностью tanh или ReLU.

$$h' = \tanh(W_{ih} x + b_{ih} + W_{hh} h + b_{hh})$$

Если nonlinearity равно ‘relu’, вместо tanh используется ReLU.

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 веса смещения b_ih и b_hh. По умолчанию: True
• nonlinearity (str) – Используемая нелинейность. Может быть 'tanh' или 'relu'. По умолчанию: 'tanh'

Входы: input, hidden

• input: тензор, содержащий входные признаки
• hidden: тензор, содержащий начальное скрытое состояние. Если не задано, по умолчанию равно нулю.

Выходы: h’

• h’ формы (batch, hidden_size): 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 не задано, по умолчанию равно нулю.
• 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 (hidden_size, input_size)
• weight_hh (torch.Tensor) – обучаемые веса между скрытыми состояниями, формы (hidden_size, hidden_size)
• bias_ih – обучаемое смещение между входом и скрытым состоянием, формы (hidden_size)
• bias_hh – обучаемое смещение между скрытыми состояниями, формы (hidden_size)

Примечание

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

Примеры:

>>> rnn = nn.RNNCell(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)