循环神经网络#

class pytorch_forecasting.models.nn.rnn.RNN(mode: str, input_size: int, hidden_size: int, num_layers: int = 1, bias: bool = True, batch_first: bool = False, dropout: float = 0.0, bidirectional: bool = False, proj_size: int = 0, device=None, dtype=None)[来源]#

基础： ABC, RNNBase

基础类灵活的RNNs。

前向函数可以处理长度为0的序列。

方法

`forward`(x[, hx, lengths, enforce_sorted])	允许零长度序列的rnn的前向函数。
`handle_no_encoding`(hidden_state, ...)	在没有编码的地方屏蔽隐藏状态。
`init_hidden_state`(x)	初始化一个 hidden_state。
`repeat_interleave`(hidden_state, n_samples)	将hidden_state复制n_samples次。

forward(x: PackedSequence | Tensor, hx: Tuple[Tensor, Tensor] | Tensor = None, lengths: LongTensor = None, enforce_sorted: bool = True) → Tuple[PackedSequence | Tensor, Tuple[Tensor, Tensor] | Tensor][来源]#

允许零长度序列的rnn的前向函数。

对于RNN，函数正常。仅当定义了长度时才会改变输出。

Parameters:

x (Union[rnn.PackedSequence, torch.Tensor]) – 输入到 RNN。可以是打包序列或填充序列的张量
hx (隐藏状态, 可选) – 隐藏状态。默认为 None。
lengths (torch.LongTensor, 可选) – 序列的长度。如果不是 None，用于确定正确返回的隐状态。可以包含零。默认为 None。
enforce_sorted (bool, 可选) – 如果传递了长度，确定RNN是否期望它们已排序。默认值为True。

Returns:

输出和隐藏状态。: 如果输入是一个打包序列，则输出是打包序列。

Return type:

元组[联合[rnn.PackedSequence, torch.Tensor], 隐藏状态]

abstract handle_no_encoding(hidden_state: Tuple[Tensor, Tensor] | Tensor, no_encoding: BoolTensor, initial_hidden_state: Tuple[Tensor, Tensor] | Tensor) → Tuple[Tensor, Tensor] | Tensor[来源]#

在没有编码的地方屏蔽隐藏状态。

Parameters:

hidden_state (HiddenState) – 需要替换某些条目的隐藏状态
no_encoding (torch.BoolTensor) – 需要替换的位置
initial_hidden_state (HiddenState) – 用于替换的隐状态

Returns:

适当情况下传播初始隐藏状态的隐藏状态

Return type:

隐藏状态

abstract init_hidden_state(x: Tensor) → Tuple[Tensor, Tensor] | Tensor[来源]#

初始化一个 hidden_state。

Parameters:: x (torch.Tensor) – 网络输入
Returns:: 默认（零类）隐藏状态
Return type:: 隐藏状态

abstract repeat_interleave(hidden_state: Tuple[Tensor, Tensor] | Tensor, n_samples: int) → Tuple[Tensor, Tensor] | Tensor[来源]#

将hidden_state复制n_samples次。

Parameters:

hidden_state (HiddenState) – 要重复的隐状态
n_samples (int) – 重复次数

Returns:

重复的隐藏状态

Return type:

隐藏状态

循环神经网络#

此页面