SimpleRNN¶

class paddle.nn. SimpleRNN ( input_size, hidden_size, num_layers=1, activation='tanh', direction='forward', dropout=0., time_major=False, weight_ih_attr=None, weight_hh_attr=None, bias_ih_attr=None, bias_hh_attr=None ) [源代码] ¶

简单循环神经网络

该OP是简单循环神经网络（SimpleRNN），根据输出序列和给定的初始状态计算返回输出序列和最终状态。在该网络中的每一层对应输入的step，每个step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：

参数：

• input_size (int) - 输入的大小。

• hidden_size (int) - 隐藏状态大小。

• num_layers (int，可选) - 网络层数。默认为1。

• direction (str，可选) - 网络迭代方向，可设置为forward或bidirect（或bidirectional）。默认为forward。

• time_major (bool，可选) - 指定input的第一个维度是否是time steps。默认为False。

• dropout (float，可选) - dropout概率，指的是出第一层外每层输入时的dropout概率。默认为0。

• activation (str, 可选) - 网络中每个单元的激活函数。可以是tanh或relu。默认为tanh。

• 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。

输入:

• inputs (Tensor) - 网络输入。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]。

• initial_states (Tensor，可选) - 网络的初始状态，形状为[num_lauers * num_directions, batch_size, hidden_size]。如果没有给出则会以全零初始化。

• 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) - 输出，由前向和后向cell的输出拼接得到。如果time_major为False，则Tensor的形状为[batch_size,time_steps,num_directions * hidden_size]，如果time_major为True，则Tensor的形状为[time_steps,batch_size,num_directions * hidden_size]，当direction设置为bidirectional时，num_directions等于2，否则等于1。

• final_states (Tensor) - 最终状态。形状为[num_lauers * num_directions, batch_size, hidden_size],当direction设置为bidirectional时，num_directions等于2，否则等于1。

代码示例：

import paddle

rnn = paddle.nn.SimpleRNN(16, 32, 2)

x = paddle.randn((4, 23, 16))
prev_h = paddle.randn((2, 4, 32))
y, h = rnn(x, prev_h)

print(y.shape)
print(h.shape)

#[4,23,32]
#[2,4,32]