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][source]¶

對輸入序列應用一個多層 Elman RNN，並使用 $\tanh$ 或 $\text{ReLU}$ 非線性函數。對於輸入序列中的每個元素，每一層都會計算以下函數：

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

其中 $h_t$ 是時間點 t 的隱藏狀態 (hidden state)， $x_t$ 是時間點 t 的輸入，而 $h_{(t-1)}$ 是時間點 t-1 時前一層的隱藏狀態，或是時間點 0 的初始隱藏狀態。如果 nonlinearity 是 'relu'，那麼會使用 $\text{ReLU}$ 來取代 $\tanh$ 。

# Efficient implementation equivalent to the following with bidirectional=False
def forward(x, hx=None):
    if batch_first:
        x = x.transpose(0, 1)
    seq_len, batch_size, _ = x.size()
    if hx is None:
        hx = torch.zeros(num_layers, batch_size, hidden_size)
    h_t_minus_1 = hx
    h_t = hx
    output = []
    for t in range(seq_len):
        for layer in range(num_layers):
            h_t[layer] = torch.tanh(
                x[t] @ weight_ih[layer].T
                + bias_ih[layer]
                + h_t_minus_1[layer] @ weight_hh[layer].T
                + bias_hh[layer]
            )
        output.append(h_t[-1])
        h_t_minus_1 = h_t
    output = torch.stack(output)
    if batch_first:
        output = output.transpose(0, 1)
    return output, h_t

參數 (Parameters)

input_size – 輸入 x 預期的特徵數量
hidden_size – 隱藏狀態 h 中的特徵數量
num_layers – 遞迴層 (recurrent layers) 的數量。例如，設定 num_layers=2 表示堆疊兩個 RNN 以形成一個堆疊 RNN (stacked RNN)，第二個 RNN 接收第一個 RNN 的輸出並計算最終結果。預設值：1
nonlinearity – 要使用的非線性函數 (non-linearity)。可以是 'tanh' 或 'relu'。預設值：'tanh'
bias – 如果 False，則該層不使用偏差權重 (bias weights) b_ih 和 b_hh。預設值：True
batch_first – 如果 True，則輸入和輸出張量將以 (batch, seq, feature) 而不是 (seq, batch, feature) 的形式提供。請注意，這不適用於隱藏或單元狀態 (cell states)。有關詳細信息，請參閱下面的「輸入/輸出」部分。預設值：False
dropout – 如果非零，則在每個 RNN 層 (除了最後一層) 的輸出上引入一個 Dropout 層，dropout 機率等於 dropout。預設值：0
bidirectional – 如果 True，則成為雙向 RNN。預設值：False

輸入 (Inputs): input, hx

input：形狀為 $(L, H_{in})$ 的 tensor，用於非批次輸入 (unbatched input)；當 batch_first=False 時，形狀為 $(L, N, H_{in})$ ，或者當 batch_first=True 時，形狀為 $(N, L, H_{in})$ ，包含輸入序列的特徵。輸入也可以是 packed variable length sequence。詳情請參閱 torch.nn.utils.rnn.pack_padded_sequence() 或 torch.nn.utils.rnn.pack_sequence()。
hx：形狀為 $(D * \text{num\_layers}, H_{out})$ 的 tensor，用於非批次輸入；或者形狀為 $(D * \text{num\_layers}, N, H_{out})$ 的 tensor，包含輸入序列批次的初始隱藏狀態。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: 形狀為 $(L, D * H_{out})$ 的張量，適用於未分批的輸入， $(L, N, D * H_{out})$ 當 batch_first=False 或 $(N, L, D * H_{out})$ 當 batch_first=True，包含RNN最後一層的輸出特徵 (h_t)，針對每個 t。如果給定一個 torch.nn.utils.rnn.PackedSequence 作為輸入，則輸出也將是一個 packed sequence。
h_n：形狀為 $(D * \text{num\_layers}, H_{out})$ 的張量，用於未批次輸入，或是形狀為 $(D * \text{num\_layers}, N, H_{out})$ 的張量，用於包含批次中每個元素的最終隱藏狀態。

變數

weight_ih_l[k]：第 k 層的可學習輸入到隱藏層的權重，當 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 層的可學習隱藏層到隱藏層的權重，形狀為 (hidden_size, hidden_size)。
bias_ih_l[k]：第 k 層的可學習輸入到隱藏層的偏置，形狀為 (hidden_size)。
bias_hh_l[k]：第 k 層的可學習隱藏層到隱藏層的偏置，形狀為 (hidden_size)。

注意

所有的權重和偏置都初始化自 $\mathcal{U}(-\sqrt{k}, \sqrt{k})$ ，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，分割輸出層的範例：output.view(seq_len, batch, num_directions, hidden_size)。

注意

對於未批次輸入，會忽略 batch_first 參數。

警告

在某些版本的 cuDNN 和 CUDA 上，RNN 函數存在已知的不確定性問題。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 或更新版本上，設定環境變數（注意開頭的冒號符號） CUBLAS_WORKSPACE_CONFIG=:16:8 或 CUBLAS_WORKSPACE_CONFIG=:4096:2。

請參閱 cuDNN 8 發布說明以取得更多資訊。

注意

如果滿足以下條件：1) 啟用 cudnn，2) 輸入資料位於 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，則可以選擇持續性演算法來提高效能。

範例

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

RNN¶

文件

教學

資源