Python PyTorch RNN用法及代碼示例

本文簡要介紹python語言中 torch.nn.RNN 的用法。

用法:

class torch.nn.RNN(*args, **kwargs)

參數：

• input_size-輸入x中的預期特征數

• hidden_size-隱藏狀態的特征數h

• num_layers-循環層數。例如，設置 num_layers=2 意味著將兩個 RNN 堆疊在一起形成一個 stacked RNN ，第二個 RNN 接收第一個 RNN 的輸出並計算最終結果。默認值：1

• nonlinearity-使用的非線性。可以是 'tanh' 或 'relu' 。默認值：'tanh'

• bias-如果 False ，則該層不使用偏置權重 b_ih 和 b_hh 。默認值：True

• batch_first-如果 True ，則輸入和輸出張量提供為 (batch, seq, feature) 而不是 (seq, batch, feature) 。請注意，這不適用於隱藏或單元狀態。有關詳細信息，請參閱下麵的輸入/輸出部分。默認值：False

• dropout-如果非零，則在除最後一層之外的每個 RNN 層的輸出上引入 Dropout 層，丟棄概率等於 dropout 。默認值：0

• bidirectional-如果 True ，則成為雙向 RNN。默認值：False

變量：

• ~RNN.weight_ih_l[k]-k-th 層的可學習 input-hidden 權重，形狀為 (hidden_size, input_size) 的 k = 0 。否則，形狀為(hidden_size, num_directions * hidden_size)

• ~RNN.weight_hh_l[k]-k-th 層的可學習 hidden-hidden 權重，形狀為 (hidden_size, hidden_size)

• ~RNN.bias_ih_l[k]-k-th 層的可學習 input-hidden 偏差，形狀為 (hidden_size)

• ~RNN.bias_hh_l[k]-k-th 層的可學習 hidden-hidden 偏差，形狀為 (hidden_size)

將具有 \tanh 或 \text{ReLU} 非線性的多層 Elman RNN 應用於輸入序列。

對於輸入序列中的每個元素，每一層計算以下函數：

h_t = \tanh(W_{ih} x_t + b_{ih} + W_{hh} h_{(t-1)} + b_{hh})

其中h_t是時間t的隱藏狀態，x_t是時間t的輸入，h_{(t-1)}是時間t-1的前一層的隱藏狀態或時間的初始隱藏狀態0 。如果 nonlinearity 是 'relu' ，則使用 \text{ReLU} 代替 \tanh 。

輸入：輸入，h_0

• input: 形狀張量(L, N, H_{in})當batch_first=False或者(N, L, H_{in})當batch_first=True包含輸入序列的特征。輸入也可以是打包的可變長度序列。看torch.nn.utils.rnn.pack_padded_sequence()或者torch.nn.utils.rnn.pack_sequence詳情。

• h_0: 形狀張量(D * \text{num\_layers}, N, H_{out})包含批次中每個元素的初始隱藏狀態。如果未提供，則默認為零。

其中:

\begin{aligned} N ={} & \text{batch size} \\ L ={} & \text{sequence length} \\ D ={} & 2 \text{ if bidirectional=True otherwise } 1 \\ H_{in} ={} & \text{input\_size} \\ H_{out} ={} & \text{hidden\_size} \end{aligned}

輸出：輸出，h_n

• output: 形狀張量(L, N, D * H_{out})當batch_first=False或者(N, L, D * H_{out})當batch_first=True包含輸出特征(h_t)從RNN的最後一層，對於每個t.如果一個torch.nn.utils.rnn.PackedSequence已作為輸入給出，輸出也將是一個打包序列。

• h_n: 形狀張量(D * \text{num\_layers}, N, H_{out})包含批次中每個元素的最終隱藏狀態。

注意

所有的權重和偏差都是從 \mathcal{U}(-\sqrt{k}, \sqrt{k}) 初始化的，其中 k = \frac{1}{\text{hidden\_size}}

注意

對於雙向 RNN，前向和後向分別是方向 0 和 1。 batch_first=False : output.view(seq_len, batch, num_directions, hidden_size) 時拆分輸出層的示例。

警告

在某些版本的 cuDNN 和 CUDA 上，RNN 函數存在已知的不確定性問題。您可以通過設置以下環境變量來強製執行確定性行為：

在 CUDA 10.1 上，設置環境變量 CUDA_LAUNCH_BLOCKING=1 。這可能會影響性能。

在 CUDA 10.2 或更高版本上，設置環境變量(注意前導冒號) CUBLAS_WORKSPACE_CONFIG=:16:8 或 CUBLAS_WORKSPACE_CONFIG=:4096:2 。

有關詳細信息，請參閱cuDNN 8 Release Notes。

孤兒

注意

如果滿足以下條件：1) cudnn 已啟用，2) 輸入數據在 GPU 上 3) 輸入數據具有 dtype torch.float16 4) 使用 V100 GPU，5) 輸入數據不是 PackedSequence 格式的持久化算法可以選擇以提高性能。

例子：

>>> rnn = nn.RNN(10, 20, 2)
>>> input = torch.randn(5, 3, 10)
>>> h0 = torch.randn(2, 3, 20)
>>> output, hn = rnn(input, h0)