RNN

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

循环神经网络

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() 直到达到 inputs 的最大长度。

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 的底层 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)
[4, 23, 32]
>>> print(final_states.shape)
[4, 32]

使用本API的教程文档