GRUUnit¶

class paddle.fluid.dygraph. GRUUnit ( name_scope, size, param_attr=None, bias_attr=None, activation='tanh', gate_activation='sigmoid', origin_mode=False, dtype='float32' ) [源代码] ¶

该接口用于构建 GRU(Gated Recurrent Unit) 类的一个可调用对象，具体用法参照 代码示例 。其用于完成单个时间步内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，\(h_{t-1}\) 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维度为 \([D, D \times 3]\) 的Tensor存放。

参数:

• size (int) – 输入数据的维度大小。

• 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 。

注意

• 权重参数维度为 \([T, 3×D]\) ， \(D\) 是隐藏状态的规模（hidden size）, 其值与输入size相关，计算方式为size除以3取整 。

• 权重参数矩阵所有元素由两部分组成， 一是update gate和reset gate的权重，维度为 \([D, 2×D]\) 的2D Tensor，数据类型可以为float32或float64；二是候选隐藏状态（candidate hidden state）的权重矩阵，维度为 \([D, D]\) 的2D Tensor，数据类型可以为float32或float64。

• 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 。

• activation (str，可选) – 公式中 \(act_c\) 激活函数的类型。可以为'identity'、'sigmoid'、'tanh'、'relu'四种激活函数设置值。默认值为'tanh'。

• gate_activation (str，可选) – 公式中 \(act_g\) 激活函数的类型。可以为'identity'、'sigmoid'、'tanh'、'relu'四种激活函数设置值。默认值为'sigmoid'。

• origin_mode (bool) – 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。

• dtype (str，可选) – 该层的数据类型，可以为'float32', 'float64'。默认值为'float32'。

返回：

None.

代码示例

import paddle.fluid as fluid
import paddle.fluid.dygraph.base as base
import numpy

lod = [[2, 4, 3]]
D = 5
T = sum(lod[0])

input = numpy.random.rand(T, 3 * D).astype('float32')
hidden_input = numpy.random.rand(T, D).astype('float32')
with fluid.dygraph.guard():
    x = numpy.random.random((3, 32, 32)).astype('float32')
    gru = fluid.dygraph.GRUUnit(size=D * 3)
    dy_ret = gru(
    base.to_variable(input), base.to_variable(hidden_input))