tf.raw_ops.CudnnRNN

RNN, реализованный с помощью cuDNN.

tf.raw_ops.CudnnRNN(
    input,
    input_h,
    input_c,
    params,
    rnn_mode='lstm',
    input_mode='linear_input',
    direction='unidirectional',
    dropout=0,
    seed=0,
    seed2=0,
    is_training=True,
    name=None
)

Вычисляет RNN из входных и начальных состояний, с учетом буфера параметров.

rnn_mode: Указывает тип модели RNN. input_mode: Указывает, есть ли линейное проектирование между входом и фактическим вычислением перед первым слоем. 'skip_input' разрешен только тогда, когда input_size == num_units; 'auto_select' подразумевает 'skip_input', когда input_size == num_units; в противном случае подразумевает 'linear_input'. direction: Указывает, будет ли использоваться двунаправленная модель. Должно быть "unidirectional" или "bidirectional". dropout: Вероятность дропаута. При значении 0. дропаут отключен. seed: Первая часть семян для инициализации дропаута. seed2: Вторая часть семян для инициализации дропаута. input: Тензор 3-го порядка со значением [seq_length, batch_size, input_size]. input_h: Тензор 3-го порядка со значением [num_layer * dir, batch_size, num_units]. input_c: Для LSTM, тензор 3-го порядка со значением [num_layer * dir, batch, num_units]. Для других моделей он игнорируется. params: 1-мерный тензор, содержащий веса и смещения в неявном формате. Размер должен быть создан с помощью CudnnRNNParamsSize и инициализирован отдельно. Обратите внимание, что они могут быть несовместимы между разными поколениями. Поэтому рекомендуется сохранять и восстанавливать output: Тензор 3-го порядка со значением [seq_length, batch_size, dir * num_units]. output_h: Имеет ту же форму, что и input_h. output_c: Имеет ту же форму, что и input_c для LSTM. Пустой тензор для других моделей. is_training: Указывает, используется ли эта операция для инференции или обучения. reserve_space: Неявный тензор, который может использоваться в расчетах обратного распространения. Он генерируется только если is_training равен false.