RNN

class paddle.nn. RNN ( cell, is_reverse=False, time_major=False ) [源代码]

循环神经网络

该OP是循环神经网络（RNN）的封装，将输入的Cell封装为一个循环神经网络。它能够重复执行 cell.forward() 直到遍历完input中的所有Tensor。

参数

  • cell (RNNCellBase) - RNNCellBase类的一个实例。

  • is_reverse (bool，可选) - 指定遍历input的方向。默认为False

  • time_major (bool，可选) - 指定input的第一个维度是否是time steps。默认为False。

输入

  • inputs (Tensor) - 输入（可以是多层嵌套的）。如果time_major为False，则Tensor的形状为[batch_size,time_steps,input_size]，如果time_major为True，则Tensor的形状为[time_steps,batch_size,input_size]，input_size为cell的input_size。

  • initial_states (Tensor|list|tuple，可选) - 输入cell的初始状态（可以是多层嵌套的），如果没有给出则会调用 cell.get_initial_states 生成初始状态。默认为None。

  • sequence_length (Tensor，可选) - 指定输入序列的长度，形状为[batch_size]，数据类型为int64或int32。在输入序列中所有time step不小于sequence_length的元素都会被当作填充元素处理（状态不再更新）。

输出

  • outputs (Tensor|list|tuple) - 输出。如果time_major为False，则Tensor的形状为[batch_size,time_steps,hidden_size]，如果time_major为True，则Tensor的形状为[time_steps,batch_size,hidden_size]。

  • final_states (Tensor|list|tuple) - cell的最终状态，嵌套结构，形状和数据类型都与初始状态相同。

注解

该类是一个封装rnn cell的低级api，用户在使用forward函数时须确保initial_states满足cell的要求。

代码示例

import paddle

inputs = paddle.rand((4, 23, 16))
prev_h = paddle.randn((4, 32))

cell = paddle.nn.SimpleRNNCell(16, 32)
rnn = paddle.nn.RNN(cell)
outputs, final_states = rnn(inputs, prev_h)

print(outputs.shape)
print(final_states.shape)

#[4,23,32]
#[4,32]