tf.raw_ops.CudnnRNN

Реализация RNN, поддерживаемая 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 данных и начальных состояний относительно 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' разрешается только при input_size == num_units; 'auto_select' подразумевает 'skip_input', когда input_size == num_units; в противном случае он подразумевает 'linear_input'. direction: Указывает, будет ли использоваться двунаправленная модель. Должно быть "однонаправленным" или "двунаправленным". dropout: Вероятность дропаута. При значении 0. дропаут отключён. seed: Первая часть семян для инициализации дропаута. seed2: Вторая часть семян для инициализации дропаута. input: 3-мерный тензор с формой [seq_length, batch_size, input_size]. input_h: 3-мерный тензор с формой [num_layer * dir, batch_size, num_units]. input_c: Для LSTM, 3-мерный тензор с формой [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 в разных поколениях. Поэтому рекомендуется сохранять и восстанавливать output: 3-мерный тензор с формой [seq_length, batch_size, dir * num_units]. output_h: Такая же форма, как input_h. output_c: Такая же форма, как input_c для LSTM. Пустой тензор для других моделей. is_training: Указывает, используется ли данная операция для вывода или обучения. reserve_space: Неявный тензор, который может быть использован в вычислениях обратного распространения. Он генерируется только, если is_training ложно.