dynamic_gru¶
- paddle.fluid.layers. dynamic_gru ( input, size, param_attr=None, bias_attr=None, is_reverse=False, gate_activation='sigmoid', candidate_activation='tanh', h_0=None, origin_mode=False ) [源代码] ¶
注意:该OP的输入只能是LoDTensor,如果您需要处理的输入是Tensor类型,请使用StaticRNN(fluid.layers. StaticRNN )。
该OP用于在完整序列上逐个时间步的进行单层Gated Recurrent Unit(GRU)的计算,单个时间步内GRU的计算支持以下两种计算方式:
如果origin_mode为True,则使用的运算公式来自论文 Learning Phrase Representations using RNN Encoder Decoder for Statistical Machine Translation 。
如果origin_mode为False,则使用的运算公式来自论文 Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling 。
公式如下:
其中,\(x_t\) 为当前时间步的输入,这个输入并非 input
,该OP不包含 \(W_{ux}x_{t}, W_{rx}x_{t}, W_{cx}x_{t}\) 的计算,注意 要在该OP前使用大小为 size
的3倍的全连接层并将其输出作为 input
; \(h_{t-1}\) 为前一时间步的隐状态 hidden
; \(u_t\) 、 \(r_t\) 、 \(\tilde{h_t}\) 和 \(h_t\) 分别代表了GRU单元中update gate(更新门)、reset gate(重置门)、candidate hidden(候选隐状态)和隐状态输出;\(\odot\) 为逐个元素相乘; \(W_{uh}, b_u\) 、 \(W_{rh}, b_r\) 和 \(W_{ch}, b_c\) 分别代表更新门、重置门和候选隐状态在计算时使用的权重矩阵和偏置。在实现上,三个权重矩阵合并为一个 \([D, D \times 3]\) 形状的Tensor存放,三个偏置拼接为一个 \([1, D \times 3]\) 形状的Tensor存放,其中 \(D\) 为隐单元的数目;权重Tensor存放布局为:\(W_{uh}\) 和 \(W_{rh}\) 拼接为 \([D, D \times 2]\) 形状位于前半部分,\(W_{ch}\) 以 \([D, D]\) 形状位于后半部分。
参数¶
input (Variable) – LoD level为1的LoDTensor,表示经线性变换后的序列输入,形状为 \([T, D \times 3]\),其中 \(T\) 表示mini-batch中所有序列长度之和,\(D\) 为隐状态特征维度的大小。数据类型为float32或float64。
size (int) – 隐状态特征维度的大小
param_attr (ParamAttr,可选) – 指定权重参数属性的对象。默认值为None,表示使用默认的权重参数属性。具体用法请参见 ParamAttr 。
bias_attr (ParamAttr,可选) - 指定偏置参数属性的对象。默认值为None,表示使用默认的偏置参数属性。具体用法请参见 ParamAttr 。
is_reverse (bool,可选) – 指明是否按照和输入相反的序列顺序计算,默认为False。
gate_activation (str,可选) – 公式中 \(act_g\) 激活函数的类型。支持identity、sigmoid、tanh、relu四种激活函数类型,默认为sigmoid。
candidate_activation (str,可选) – 公式中 \(act_c\) 激活函数的类型。支持identity、sigmoid、tanh、relu四种激活函数类型,默认为tanh。
h_0 (Variable,可选) – 表示初始隐状态的Tensor,若未提供,则默认为0。其形状为 \([N, D]\),其中 \(N\) 为输入mini-batch中序列的数目,\(D\) 为隐状态特征维度的大小。数据类型与
input
相同。默认值为None。origin_mode (bool,可选) – 指明要使用的GRU计算方式,两种计算方式具体差异见公式描述,默认值为False。
返回¶
形状为 \([T, D]\) 、LoD level为1的LoDTensor,其中 \(T\) 表示mini-batch中所有序列长度之和,\(D\) 为隐状态特征维度的大小。表示经过GRU变换的输出特征序列,和
input
具有相同的LoD(序列长度)和数据类型。
返回类型¶
Variable
代码示例¶
import paddle.fluid as fluid
dict_dim, emb_dim = 128, 64
data = fluid.data(name='sequence',
shape=[None],
dtype='int64',
lod_level=1)
emb = fluid.embedding(input=data, size=[dict_dim, emb_dim])
hidden_dim = 512
x = fluid.layers.fc(input=emb, size=hidden_dim * 3)
hidden = fluid.layers.dynamic_gru(input=x, size=hidden_dim)