RNNCell

class torch.nn.RNNCell(input_size, hidden_size, bias=True, nonlinearity='tanh', device=None, dtype=None)

一个带有 tanh 或 ReLU 非线性激活的 Elman RNN 单元。

$$h' = \tanh(W_{ih} x + b_{ih} + W_{hh} h + b_{hh})$$

如果 nonlinearity 是 ‘relu’，则使用 ReLU 代替 tanh。

Parameters

• input_size (int) – 输入 x 中预期的特征数量

• hidden_size (int) – 隐藏状态 h 中的特征数量

• 偏置 (布尔值) – 如果False，则该层不使用偏置权重 b_ih 和 b_hh。 默认值: True

• 非线性 (str) – 使用的非线性。可以是 'tanh' 或 'relu'。默认值: 'tanh'

Inputs: input, hidden

• 输入：包含输入特征的张量

• 隐藏：包含初始隐藏状态的张量 如果未提供，则默认为零。

Outputs: h’

• h’ 形状为 (batch, hidden_size)：包含批次中每个元素的下一个隐藏状态的张量

Shape:

• 输入: $(N, H_{in})$ 或 $(H_{in})$ 张量包含输入特征，其中 $H_{in}$ = input_size。

• 隐藏: $(N, H_{out})$ 或 $(H_{out})$ 张量包含初始隐藏状态，其中 $H_{out}$ = hidden_size。如果未提供，则默认为零。

• 输出: $(N, H_{out})$ 或 $(H_{out})$ 张量，包含下一个隐藏状态。

Variables

• weight_ih (torch.Tensor) – 可学习的输入-隐藏权重，形状为 (hidden_size, input_size)

• weight_hh (torch.Tensor) – 可学习的隐藏-隐藏权重，形状为 (hidden_size, hidden_size)

• bias_ih – 可学习的输入-隐藏偏置，形状为 (hidden_size)

• bias_hh – 可学习的隐藏-隐藏偏置，形状为 (hidden_size)

注意

所有的权重和偏置都从 $\mathcal{U}(-\sqrt{k}, \sqrt{k})$ 其中 $k = \frac{1}{\text{hidden\_size}}$

示例：

>>> rnn = nn.RNNCell(10, 20)
>>> input = torch.randn(6, 3, 10)
>>> hx = torch.randn(3, 20)
>>> output = []
>>> for i in range(6):
...     hx = rnn(input[i], hx)
...     output.append(hx)