PaddlePaddle

 paddle.nn / LSTMCell


LSTMCell

class paddle.nn. LSTMCell ( input_size, hidden_size, weight_ih_attr=None, weight_hh_attr=None, bias_ih_attr=None, bias_hh_attr=None, name=None ) [源代码]

长短期记忆网络单元

该OP是长短期记忆网络单元(LSTMCell),根据当前时刻输入x(t)和上一时刻状态h(t-1)计算当前时刻输出y(t)并更新状态h(t)。

状态更新公式如下:

\[\begin{split}i_{t} &= \sigma (W_{ii}x_{t} + b_{ii} + W_{hi}h_{t-1} + b_{hi})\\ f_{t} &= \sigma (W_{if}x_{t} + b_{if} + W_{hf}h_{t-1} + b_{hf})\\ o_{t} &= \sigma (W_{io}x_{t} + b_{io} + W_{ho}h_{t-1} + b_{ho})\\ g_{t} &= \tanh (W_{ig}x_{t} + b_{ig} + W_{hg}h_{t-1} + b_{hg})\\ c_{t} &= f_{t} * c_{t-1} + i_{t} * g_{t}\\ h_{t} &= o_{t} * \tanh (c_{t})\\ y_{t} &= h_{t}\end{split}\]
其中:
  • \(\sigma\) :sigmoid激活函数。

详情请参考论文 :An Empirical Exploration of Recurrent Network Architectures

参数:
  • input_size (int) - 输入的大小。

  • hidden_size (int) - 隐藏状态大小。

  • weight_ih_attr (ParamAttr,可选) - weight_ih的参数。默认为None。

  • weight_hh_attr (ParamAttr,可选) - weight_hh的参数。默认为None。

  • bias_ih_attr (ParamAttr,可选) - bias_ih的参数。默认为None。

  • bias_hh_attr (ParamAttr,可选) - bias_hh的参数。默认为None。

  • name (str, 可选): OP的名字。默认为None。详情请参考 Name

变量:
  • weight_ih (Parameter) - input到hidden的变换矩阵的权重。形状为(4 * hidden_size, input_size)。对应公式中的 \(W_{ii}, W_{if}, W_{ig}, W_{io}\)

  • weight_hh (Parameter) - hidden到hidden的变换矩阵的权重。形状为(4 * hidden_size, hidden_size)。对应公式中的 \(W_{hi}, W_{hf}, W_{hg}, W_{ho}\)

  • bias_ih (Parameter) - input到hidden的变换矩阵的偏置。形状为(4 * hidden_size, )。对应公式中的 \(b_{ii}, b_{if}, b_{ig}, b_{io}\)

  • bias_hh (Parameter) - hidden到hidden的变换矩阵的偏置。形状为(4 * hidden_size, )。对应公式中的 \(b_{hi}, b_{hf}, b_{hg}, b_{ho}\)

输入:
  • inputs (Tensor) - 输入。形状为[batch_size, input_size],对应公式中的 \(x_t\)

  • states (tuple,可选) - 一个包含两个Tensor的元组,每个Tensor的形状都为[batch_size, hidden_size],上一轮的隐藏状态。对应公式中的 \(h_{t-1},c_{t-1}\)。当state为None的时候,初始状态为全0矩阵。默认为None。

输出:
  • outputs (Tensor) - 输出。形状为[batch_size, hidden_size],对应公式中的 \(h_{t}\)

  • new_states (tuple) - 一个包含两个Tensor的元组,每个Tensor的形状都为[batch_size, hidden_size],新一轮的隐藏状态。形状为[batch_size, hidden_size],对应公式中的 \(h_{t},c_{t}\)

注解

所有的变换矩阵的权重和偏置都默认初始化为Uniform(-std, std),其中std = \(\frac{1}{\sqrt{hidden\_size}}\)。对于参数初始化,详情请参考 ParamAttr

代码示例

import paddle

x = paddle.randn((4, 16))
prev_h = paddle.randn((4, 32))
prev_c = paddle.randn((4, 32))

cell = paddle.nn.LSTMCell(16, 32)
y, (h, c) = cell(x, (prev_h, prev_c))
print(y.shape)
print(h.shape)
print(c.shape)

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

此页内容是否对您有帮助