torch.nn中GRU使用_torch gru

一、pytorch中GRU实现原理：

对于输入序列中的每个元素，每层计算以下函数：
$r_t=\sigma (W_{ir}{x}_t+b_{ir}+W_{hr}{h}_{(t-1)}+b_{hr})$
$z_t=\sigma (W_{iz}{x}_t+b_{iz}+W_{hz}{h}_{(t-1)}+b_{hz})$
$n_t=tanh(W_{in}{x}_t+b_{in}+r_t\ast (W_{hn}{h}_{(t-1)})+b_{hn})$
$h_t=(1-z_t)\ast n_t+z\ast h_{(t-1)}$
其中各个变量的含义如下：

• $h_t$：是在t时间步的hidden state
• $x_t$：是在t时间步的输入
• $h_{(t-1)}$：是上个时间步的hidden state 或者 初始化的hidden state
• $r_t$，$z_t$是 重置门，更新门
  

二、参数

1.初始化参数

• input_size：输入x的 维度
• hidden_size：hidden state 的维度
• num_layers：GRU堆叠层数，设置num_layers=2 的话，表示堆叠两层GRU到一起，第二个 GRU 接收第一个 GRU的输出并计算最终结果；默认为1
• bias：如果是False，将不再加入 b_ih和b_hh，默认为True
• batch_first：如果为True，则输入和输出的tensors的维度为(batch,seq,feature)而不是(seq,batch,feature)。注意：此标识只对output有效，对hidden state 和 cell state无效，默认为False
• dorpout：如果为非0，在每个 GRU 层（最后一层除外）的输出上引入一个dropout层，dropout概率等于此参数值。默认值：0，只对多层GRU有效。
• bidirectional：如果为True，则是双向GRU，默认为False

2.forward入参

• input：单个样本(unbatched)输入，则形状为$(L,H_{in})$；batch_first=False则输入的形状为$(L,N,H_{in})$；当batch_first=True时，形状为$(N,L,H_{in})$，输入也可以是打包的可变长度序列。
• h_0：单个样本(unbatched)输入，形状为$(D\ast nu{m}_{l}ayers,H_{o}ut)$；batch样本输入，则形状为$(D\ast nu{m}_{l}ayers,N,H_{o}ut)$也就是初始化的hidden state.
  其中：
• N=batch size
• L=sequence length
• D=2 if bidirectional=True otherwise 1
• $H_{in}$=input_size
• $H_{out}$=hidden_size

3.输出

• output：单个样本(unbatched)输入，则形状为$(L,D\ast H_{out})$；batch_first=False，则形状为$(L,N,D\ast H_{out})$；batch_first=True，则形状为$(N,L,D\ast H_{out})$。输入也可以是打包的可变长度序列。参考packedtorch.nn.utils.rnn.pack_padded_sequence() h或者torch.nn.utils.rnn.pack_sequence() 方法。
• h_0：单个样本(unbatched)输入，形状为$(D\ast nu{m}_{l}ayers,H_{o}ut)$；batch样本输入，则形状为$(D\ast nu{m}_{l}ayers,N,H_{o}ut)$,包含序列中每个元素的最终隐藏状态。当双向 = True 时，h_n将分别包含最终正向和反向隐藏状态的串联。

三、实例

rnn = nn.GRU(10, 20, 2)# embedding_size, hidden_size, num_layer
input = torch.randn(5, 3, 10)# sequence length, batch size, embedding_size
h0 = torch.randn(2, 3, 20)# num_layer*dirc, batch size, hidden_size
output, hn = rnn(input, h0)
output.shape
torch.Size([5, 3, 20])# sequence length, batch size, hidden_size
1
2
3
4
5
6