lstm¶

paddle.fluid.layers. lstm ( input, init_h, init_c, max_len, hidden_size, num_layers, dropout_prob=0.0, is_bidirec=False, is_test=False, name=None, default_initializer=None, seed=- 1 ) [源代码] ¶

注解

该OP仅支持 GPU 设备运行

该OP实现了 LSTM，即 Long-Short Term Memory（长短期记忆）运算 - Hochreiter, S., & Schmidhuber, J. (1997) 。

该OP的实现不包括 diagonal/peephole 连接，参见 Gers, F. A., & Schmidhuber, J. (2000) 。如果需要使用 peephole 连接方法，请使用 dynamic_lstm 。

该OP对于序列中每一个时间步的计算公式如下：

\[i_t = \sigma(W_{ix}x_{t} + W_{ih}h_{t-1} + b_{x_i} + b_{h_i})\]

\[f_t = \sigma(W_{fx}x_{t} + W_{fh}h_{t-1} + b_{x_f} + b_{h_f})\]

\[o_t = \sigma(W_{ox}x_{t} + W_{oh}h_{t-1} + b_{x_o} + b_{h_o})\]

\[\widetilde{c_t} = tanh(W_{cx}x_t + W_{ch}h_{t-1} + b{x_c} + b_{h_c})\]

\[c_t = f_t \odot c_{t-1} + i_t \odot \widetilde{c_t}\]

\[h_t = o_t \odot tanh(c_t)\]

公式中的概念信息如下：

\(x_{t}\) 表示时间步 \(t\) 的输入
\(h_{t}\) 表示时间步 \(t\) 的 hidden 状态
\(h_{t-1}, c_{t-1}\) 分别表示前一个时间步的 hidden 和 cell 状态
\(\widetilde{c_t}\) 表示候选的 cell 状态
\(i_t\) ，\(f_t\) 和 \(o_t\) 分别为 input gate，forget gate，output gate
\(W\) 表示 weight （例如，\(W_{ix}\) 是在计算 input gate \(i_t\) 时，对输入 \(x_{t}\) 做线性变换的 weight）
\(b\) 表示 bias （例如，\(b_{i}\) 是 input gate 的 bias）
\(\sigma\) 表示 gate 的非线性激活函数，默认为 sigmoid
\(\odot\) 表示矩阵的 Hadamard product，即对两个维度相同的矩阵，将相同位置的元素相乘，得到另一个维度相同的矩阵

参数¶

input ( Variable ) - LSTM的输入张量，维度为 \([batch\_size, seq\_len, input\_dim]\) 的 3-D Tensor，其中 seq_len 为序列的长度，input_dim 为序列词嵌入的维度。数据类型为 float32 或者 float64。

init_h ( Variable ) – LSTM的初始 hidden 状态，维度为 \([num\_layers, batch\_size, hidden\_size]\) 的 3-D Tensor，其中 num_layers 是LSTM的总层数，hidden_size 是隐层维度。如果is_bidirec = True，维度应该为 \([num\_layers*2, batch\_size, hidden\_size]\)。数据类型为 float32 或者 float64。

init_c ( Variable ) - LSTM的初始 cell 状态。维度为 \([num\_layers, batch\_size, hidden\_size]\) 的 3-D Tensor，其中 num_layers 是LSTM的总层数，hidden_size 是隐层维度。如果is_bidirec = True，维度应该为 \([num\_layers*2, batch\_size, hidden\_size]\)。数据类型为 float32 或者 float64。

max_len (int) – LSTM的最大长度。输入张量的第一个 input_dim 不能大于 max_len。

hidden_size (int) - LSTM hidden 状态的维度。

num_layers (int) – LSTM的总层数。例如，该参数设置为2，则会堆叠两个LSTM，其第一个LSTM的输出会作为第二个LSTM的输入。

dropout_prob (float，可选) – dropout比例，dropout 只在 rnn 层之间工作，而不是在时间步骤之间。dropout 不作用于最后的 rnn 层的 rnn 输出中。默认值为 0.0。

is_bidirec (bool，可选) – 是否是双向的LSTM。默认值为 False。

is_test (bool，可选) – 是否在测试阶段。默认值为 False。

name (str，可选) - 具体用法请参见 Name，一般无需设置，默认值为 None。

default_initializer (Initializer，可选) – 用于初始化权重的初始化器，如果为None，将进行默认初始化。默认值为 None。

seed (int，可选) – LSTM中dropout的seed，如果是-1，dropout将使用随机seed。默认值为 1。

返回¶

经过lstm运算输出的三个Tensor的tuple，包括

rnn_out：LSTM hidden的输出结果的Tensor，数据类型与input一致，维度为 \([batch\_size, seq\_len, hidden\_size]\)。如果 is_bidirec 设置为True，则维度为 \([batch\_size, seq\_len, hidden\_size*2]\)
last_h：LSTM最后一步的hidden状态的Tensor，数据类型与input一致，维度为 \([num\_layers, batch\_size, hidden\_size]\)。如果 is_bidirec 设置为True，则维度为 \([num\_layers*2, batch\_size, hidden\_size]\)
last_c：LSTM最后一步的cell状态的Tensor，数据类型与input一致，维度为 \([num\_layers, batch\_size, hidden\_size]\)。如果 is_bidirec 设置为True，则维度为 \([num\_layers*2, batch\_size, hidden\_size]\)

返回类型¶

tuple（ Variable , Variable , Variable ）

代码示例¶

          import paddle
import paddle.fluid as fluid
import paddle.fluid.layers as layers
paddle.enable_static()

emb_dim = 256
vocab_size = 10000
data = fluid.data(name='x', shape=[None, 100], dtype='int64')
emb = fluid.embedding(input=data, size=[vocab_size, emb_dim], is_sparse=True)
batch_size = 100
dropout_prob = 0.2
input_size = 100
hidden_size = 150
num_layers = 1
max_len = 12
init_h = layers.fill_constant( [num_layers, batch_size, hidden_size], 'float32', 0.0 )
init_c = layers.fill_constant( [num_layers, batch_size, hidden_size], 'float32', 0.0 )
rnn_out, last_h, last_c = layers.lstm( emb, init_h, init_c, \
        max_len, hidden_size, num_layers, \
        dropout_prob=dropout_prob)
rnn_out.shape  # (-1, 100, 150)
last_h.shape  # (1, 20, 150)
last_c.shape  # (1, 20, 150)

         