GRU

GRU - 22

版本

  • 名称: GRU (GitHub)

  • 域: main

  • 自版本: 22

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的运算符自版本 22起可用。

摘要

计算单层 GRU。此运算符通常通过某些自定义实现（例如 CuDNN）来支持。

符号

  • X - 输入张量

  • z - 更新门

  • r - 重置门

  • h - 隐藏门

  • t - 时间步长（t-1 表示前一时间步长）

  • W[zrh] - 更新、重置和隐藏门的 W 参数权重矩阵

  • R[zrh] - 更新、重置和隐藏门的 R 循环权重矩阵

  • Wb[zrh] - 更新、重置和隐藏门的 W 偏差向量

  • Rb[zrh] - 更新、重置和隐藏门的 R 偏差向量

  • WB[zrh] - 反向更新、重置和隐藏门的 W 参数权重矩阵

  • RB[zrh] - 反向更新、重置和隐藏门的 R 循环权重矩阵

  • WBb[zrh] - 反向更新、重置和隐藏门的 W 偏差向量

  • RBb[zrh] - 反向更新、重置和隐藏门的 R 偏差向量

  • H - 隐藏状态

  • num_directions - 如果 direction == bidirectional 则为 2，否则为 1

激活函数

  • Relu(x) - max(0, x)

  • Tanh(x) - (1 - e^{-2x})/(1 + e^{-2x})

  • Sigmoid(x) - 1/(1 + e^{-x})

注意：以下是可选的

  • Affine(x) - alpha * x + beta

  • LeakyRelu(x) - 如果 x >= 0 则为 x，否则为 alpha * x

  • ThresholdedRelu(x) - 如果 x >= alpha 则为 x，否则为 0

  • ScaledTanh(x) - alpha * Tanh(beta * x)

  • HardSigmoid(x) - min(max(alpha * x + beta, 0), 1)

  • Elu(x) - 如果 x >= 0 则为 x，否则为 alpha * (e^x - 1)

  • Softsign(x) - x/(1 + |x|)

  • Softplus(x) - log(1 + e^x)

方程式（默认：f=Sigmoid，g=Tanh）

  • zt = f(Xt*(Wz^T) + Ht-1*(Rz^T) + Wbz + Rbz)

  • rt = f(Xt*(Wr^T) + Ht-1*(Rr^T) + Wbr + Rbr)

  • ht = g(Xt*(Wh^T) + (rt (.) Ht-1)*(Rh^T) + Rbh + Wbh) # 默认，当 linear_before_reset = 0 时

  • ht = g(Xt*(Wh^T) + (rt (.) (Ht-1*(Rh^T) + Rbh)) + Wbh) # 当 linear_before_reset != 0 时

  • Ht = (1 - zt) (.) ht + zt (.) Ht-1 此运算符具有可选输入/输出。有关可选参数表示的更多详细信息，请参阅ONNX IR。可以使用空字符串代替实际参数的名称来指示缺少的参数。尾随可选参数（后面没有跟随存在的参数的参数）也可以简单地省略。

属性

  • activation_alpha - 浮点数 :

    某些激活函数使用的可选缩放值。这些值按激活函数的顺序使用，例如 LSTM 中的 (f、g、h)。默认值与相应 ONNX 运算符的默认值相同。例如，对于 LeakyRelu，默认 alpha 为 0.01。

  • activation_beta - 浮点数 :

    某些激活函数使用的可选缩放值。这些值按激活函数的顺序使用，例如 LSTM 中的 (f、g、h)。默认值与相应 ONNX 运算符的默认值相同。

  • activations - 字符串 :

    更新、重置和隐藏门的 2 个（或如果为双向则为 4 个）激活函数列表。激活函数必须是上面指定的激活函数之一。可选：如果未指定，请参阅方程式以获取默认值。

  • clip - 浮点数 :

    单元剪辑阈值。剪辑将张量的元素限制在 [-threshold, +threshold] 范围内，并应用于激活的输入。如果未指定，则不进行剪辑。

  • direction - 字符串（默认为'forward'）

    指定 RNN 是前向、反向还是双向。必须是 forward（默认）、reverse 或 bidirectional 之一。

  • hidden_size - INT :

    隐藏层的神经元数量

  • layout - INT（默认值为'0'）

    输入 X、initial_h 和输出 Y、Y_h 的形状格式。如果为 0，则预期以下形状：X.shape = [seq_length, batch_size, input_size]，Y.shape = [seq_length, num_directions, batch_size, hidden_size]，initial_h.shape = Y_h.shape = [num_directions, batch_size, hidden_size]。如果为 1，则预期以下形状：X.shape = [batch_size, seq_length, input_size]，Y.shape = [batch_size, seq_length, num_directions, hidden_size]，initial_h.shape = Y_h.shape = [batch_size, num_directions, hidden_size]。

  • linear_before_reset - INT（默认值为'0'）

    计算隐藏门输出时，在乘以重置门的输出之前应用线性变换。

输入

3 到 6 个输入。

  • X (异构) - T

    打包（可能已填充）到一个形状为[seq_length, batch_size, input_size]的 3D 张量中的输入序列。

  • W (异构) - T

    门的权重张量。沿维度 0 连接W[zrh]和WB[zrh]（如果为双向）。该张量的形状为[num_directions, 3*hidden_size, input_size]。

  • R (异构) - T

    递归权重张量。沿维度 0 连接R[zrh]和RB[zrh]（如果为双向）。该张量的形状为[num_directions, 3*hidden_size, hidden_size]。

  • B (可选，异构) - T

    门的偏置张量。沿维度 0 连接[Wb[zrh], Rb[zrh]]和[WBb[zrh], RBb[zrh]]（如果为双向）。该张量的形状为[num_directions, 6*hidden_size]。可选：如果未指定，则假定为 0

  • sequence_lens (可选，异构) - T1

    指定批次中序列长度的可选张量。如果未指定，则假定批次中所有序列的长度都为seq_length。其形状为[batch_size]。

  • initial_h (可选，异构) - T

    隐藏状态的可选初始值。如果未指定，则假定为 0。其形状为[num_directions, batch_size, hidden_size]。

输出

0 到 2 个输出。

  • Y (可选，异构) - T

    连接所有隐藏状态的中间输出值的张量。其形状为[seq_length, num_directions, batch_size, hidden_size]。

  • Y_h (可选，异构) - T

    隐藏状态的最后一个输出值。其形状为[num_directions, batch_size, hidden_size]。

类型约束

  • T in ( tensor(bfloat16), tensor(double), tensor(float), tensor(float16) )

    将输入和输出类型约束为浮点张量。

  • T1 in ( tensor(int32) )

    将 seq_lens 约束为整数张量。

GRU - 14

版本

  • 名称: GRU (GitHub)

  • 域: main

  • since_version: 14

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的算子自版本 14起可用。

摘要

计算单层 GRU。此运算符通常通过某些自定义实现（例如 CuDNN）来支持。

符号

  • X - 输入张量

  • z - 更新门

  • r - 重置门

  • h - 隐藏门

  • t - 时间步长（t-1 表示前一时间步长）

  • W[zrh] - 更新、重置和隐藏门的 W 参数权重矩阵

  • R[zrh] - 更新、重置和隐藏门的 R 循环权重矩阵

  • Wb[zrh] - 更新、重置和隐藏门的 W 偏差向量

  • Rb[zrh] - 更新、重置和隐藏门的 R 偏差向量

  • WB[zrh] - 反向更新、重置和隐藏门的 W 参数权重矩阵

  • RB[zrh] - 反向更新、重置和隐藏门的 R 循环权重矩阵

  • WBb[zrh] - 反向更新、重置和隐藏门的 W 偏差向量

  • RBb[zrh] - 反向更新、重置和隐藏门的 R 偏差向量

  • H - 隐藏状态

  • num_directions - 如果 direction == bidirectional 则为 2，否则为 1

激活函数

  • Relu(x) - max(0, x)

  • Tanh(x) - (1 - e^{-2x})/(1 + e^{-2x})

  • Sigmoid(x) - 1/(1 + e^{-x})

注意：以下是可选的

  • Affine(x) - alpha * x + beta

  • LeakyRelu(x) - 如果 x >= 0 则为 x，否则为 alpha * x

  • ThresholdedRelu(x) - 如果 x >= alpha 则为 x，否则为 0

  • ScaledTanh(x) - alpha * Tanh(beta * x)

  • HardSigmoid(x) - min(max(alpha * x + beta, 0), 1)

  • Elu(x) - 如果 x >= 0 则为 x，否则为 alpha * (e^x - 1)

  • Softsign(x) - x/(1 + |x|)

  • Softplus(x) - log(1 + e^x)

方程式（默认：f=Sigmoid，g=Tanh）

  • zt = f(Xt*(Wz^T) + Ht-1*(Rz^T) + Wbz + Rbz)

  • rt = f(Xt*(Wr^T) + Ht-1*(Rr^T) + Wbr + Rbr)

  • ht = g(Xt*(Wh^T) + (rt (.) Ht-1)*(Rh^T) + Rbh + Wbh) # 默认，当 linear_before_reset = 0 时

  • ht = g(Xt*(Wh^T) + (rt (.) (Ht-1*(Rh^T) + Rbh)) + Wbh) # 当 linear_before_reset != 0 时

  • Ht = (1 - zt) (.) ht + zt (.) Ht-1 此运算符具有可选输入/输出。有关可选参数表示的更多详细信息，请参阅ONNX IR。可以使用空字符串代替实际参数的名称来指示缺少的参数。尾随可选参数（后面没有跟随存在的参数的参数）也可以简单地省略。

属性

  • activation_alpha - 浮点数 :

    某些激活函数使用的可选缩放值。这些值按激活函数的顺序使用，例如 LSTM 中的 (f、g、h)。默认值与相应 ONNX 运算符的默认值相同。例如，对于 LeakyRelu，默认 alpha 为 0.01。

  • activation_beta - 浮点数 :

    某些激活函数使用的可选缩放值。这些值按激活函数的顺序使用，例如 LSTM 中的 (f、g、h)。默认值与相应 ONNX 运算符的默认值相同。

  • activations - 字符串 :

    更新、重置和隐藏门的 2 个（或如果为双向则为 4 个）激活函数列表。激活函数必须是上面指定的激活函数之一。可选：如果未指定，请参阅方程式以获取默认值。

  • clip - 浮点数 :

    单元剪辑阈值。剪辑将张量的元素限制在 [-threshold, +threshold] 范围内，并应用于激活的输入。如果未指定，则不进行剪辑。

  • direction - 字符串（默认为'forward'）

    指定 RNN 是前向、反向还是双向。必须是 forward（默认）、reverse 或 bidirectional 之一。

  • hidden_size - INT :

    隐藏层的神经元数量

  • layout - INT（默认值为'0'）

    输入 X、initial_h 和输出 Y、Y_h 的形状格式。如果为 0，则预期以下形状：X.shape = [seq_length, batch_size, input_size]，Y.shape = [seq_length, num_directions, batch_size, hidden_size]，initial_h.shape = Y_h.shape = [num_directions, batch_size, hidden_size]。如果为 1，则预期以下形状：X.shape = [batch_size, seq_length, input_size]，Y.shape = [batch_size, seq_length, num_directions, hidden_size]，initial_h.shape = Y_h.shape = [batch_size, num_directions, hidden_size]。

  • linear_before_reset - INT（默认值为'0'）

    计算隐藏门输出时，在乘以重置门的输出之前应用线性变换。

输入

3 到 6 个输入。

  • X (异构) - T

    打包（可能已填充）到一个形状为[seq_length, batch_size, input_size]的 3D 张量中的输入序列。

  • W (异构) - T

    门的权重张量。沿维度 0 连接W[zrh]和WB[zrh]（如果为双向）。该张量的形状为[num_directions, 3*hidden_size, input_size]。

  • R (异构) - T

    递归权重张量。沿维度 0 连接R[zrh]和RB[zrh]（如果为双向）。该张量的形状为[num_directions, 3*hidden_size, hidden_size]。

  • B (可选，异构) - T

    门的偏置张量。沿维度 0 连接[Wb[zrh], Rb[zrh]]和[WBb[zrh], RBb[zrh]]（如果为双向）。该张量的形状为[num_directions, 6*hidden_size]。可选：如果未指定，则假定为 0

  • sequence_lens (可选，异构) - T1

    指定批次中序列长度的可选张量。如果未指定，则假定批次中所有序列的长度都为seq_length。其形状为[batch_size]。

  • initial_h (可选，异构) - T

    隐藏状态的可选初始值。如果未指定，则假定为 0。其形状为[num_directions, batch_size, hidden_size]。

输出

0 到 2 个输出。

  • Y (可选，异构) - T

    连接所有隐藏状态的中间输出值的张量。其形状为[seq_length, num_directions, batch_size, hidden_size]。

  • Y_h (可选，异构) - T

    隐藏状态的最后一个输出值。其形状为[num_directions, batch_size, hidden_size]。

类型约束

  • T in ( tensor(double), tensor(float), tensor(float16) )

    将输入和输出类型约束为浮点张量。

  • T1 in ( tensor(int32) )

    将 seq_lens 约束为整数张量。

GRU - 7

版本

  • 名称: GRU (GitHub)

  • 域: main

  • since_version: 7

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的算子自版本 7起可用。

摘要

计算单层 GRU。此运算符通常通过某些自定义实现（例如 CuDNN）来支持。

符号

X - 输入张量

z - 更新门

r - 重置门

h - 隐藏门

t - 时间步长（t-1 表示前一时间步长）

W[zrh] - 更新、重置和隐藏门的 W 参数权重矩阵

R[zrh] - 更新、重置和隐藏门的 R 循环权重矩阵

Wb[zrh] - 更新、重置和隐藏门的 W 偏差向量

Rb[zrh] - 更新、重置和隐藏门的 R 偏差向量

WB[zrh] - 反向更新、重置和隐藏门的 W 参数权重矩阵

RB[zrh] - 反向更新、重置和隐藏门的 R 循环权重矩阵

WBb[zrh] - 反向更新、重置和隐藏门的 W 偏差向量

RBb[zrh] - 反向更新、重置和隐藏门的 R 偏差向量

H - 隐藏状态

num_directions - 如果 direction == bidirectional 则为 2，否则为 1

激活函数

Relu(x) - max(0, x)

Tanh(x) - (1 - e^{-2x})/(1 + e^{-2x})

Sigmoid(x) - 1/(1 + e^{-x})

（注意：以下为可选）

Affine(x) - alpha*x + beta

LeakyRelu(x) - 如果 x >= 0 则为 x，否则为 alpha * x

ThresholdedRelu(x) - 如果 x >= alpha 则为 x，否则为 0

ScaledTanh(x) - alphaTanh(betax)

HardSigmoid(x) - min(max(alpha*x + beta, 0), 1)

Elu(x) - x if x >= 0 else alpha*(e^x - 1)

Softsign(x) - x/(1 + |x|)

Softplus(x) - log(1 + e^x)

方程式（默认：f=Sigmoid，g=Tanh）

  • zt = f(Xt*(Wz^T) + Ht-1*(Rz^T) + Wbz + Rbz)

  • rt = f(Xt*(Wr^T) + Ht-1*(Rr^T) + Wbr + Rbr)

  • ht = g(Xt*(Wh^T) + (rt (.) Ht-1)*(Rh^T) + Rbh + Wbh) # 默认，当 linear_before_reset = 0 时

  • ht = g(Xt*(Wh^T) + (rt (.) (Ht-1*(Rh^T) + Rbh)) + Wbh) # 当 linear_before_reset != 0 时

  • Ht = (1 - zt) (.) ht + zt (.) Ht-1 此运算符具有可选输入/输出。有关可选参数表示的更多详细信息，请参阅ONNX IR。可以使用空字符串代替实际参数的名称来指示缺少的参数。尾随可选参数（后面没有跟随存在的参数的参数）也可以简单地省略。

属性

  • activation_alpha - 浮点数 :

    某些激活函数使用的可选缩放值。这些值按激活函数的顺序使用，例如 LSTM 中的 (f、g、h)。默认值与相应 ONNX 运算符的默认值相同。例如，对于 LeakyRelu，默认 alpha 为 0.01。

  • activation_beta - 浮点数 :

    某些激活函数使用的可选缩放值。这些值按激活函数的顺序使用，例如 LSTM 中的 (f、g、h)。默认值与相应 ONNX 运算符的默认值相同。

  • activations - 字符串 :

    更新、重置和隐藏门的 2 个（或如果为双向则为 4 个）激活函数列表。激活函数必须是上面指定的激活函数之一。可选：如果未指定，请参阅方程式以获取默认值。

  • clip - 浮点数 :

    单元剪辑阈值。剪辑将张量的元素限制在 [-threshold, +threshold] 范围内，并应用于激活的输入。如果未指定，则不进行剪辑。

  • direction - 字符串（默认为'forward'）

    指定 RNN 是前向、反向还是双向。必须是 forward（默认）、reverse 或 bidirectional 之一。

  • hidden_size - INT :

    隐藏层的神经元数量

  • linear_before_reset - INT（默认值为'0'）

    计算隐藏门输出时，在乘以重置门的输出之前应用线性变换。

输入

3 到 6 个输入。

  • X (异构) - T

    打包（可能已填充）到一个形状为[seq_length, batch_size, input_size]的 3D 张量中的输入序列。

  • W (异构) - T

    门的权重张量。沿维度 0 连接W[zrh]和WB[zrh]（如果为双向）。该张量的形状为[num_directions, 3*hidden_size, input_size]。

  • R (异构) - T

    递归权重张量。沿维度 0 连接R[zrh]和RB[zrh]（如果为双向）。该张量的形状为[num_directions, 3*hidden_size, hidden_size]。

  • B (可选，异构) - T

    门的偏置张量。沿维度 0 连接[Wb[zrh], Rb[zrh]]和[WBb[zrh], RBb[zrh]]（如果为双向）。该张量的形状为[num_directions, 6*hidden_size]。可选：如果未指定，则假定为 0

  • sequence_lens (可选，异构) - T1

    指定批次中序列长度的可选张量。如果未指定，则假定批次中所有序列的长度都为seq_length。其形状为[batch_size]。

  • initial_h (可选，异构) - T

    隐藏状态的可选初始值。如果未指定，则假定为 0。其形状为[num_directions, batch_size, hidden_size]。

输出

0 到 2 个输出。

  • Y (可选，异构) - T

    连接所有隐藏状态的中间输出值的张量。其形状为[seq_length, num_directions, batch_size, hidden_size]。

  • Y_h (可选，异构) - T

    隐藏状态的最后一个输出值。其形状为[num_directions, batch_size, hidden_size]。

类型约束

  • T in ( tensor(double), tensor(float), tensor(float16) )

    将输入和输出类型约束为浮点张量。

  • T1 in ( tensor(int32) )

    将 seq_lens 约束为整数张量。

GRU - 3

版本

  • 名称: GRU (GitHub)

  • 域: main

  • since_version: 3

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的算子自版本 3起可用。

摘要

计算单层 GRU。此运算符通常通过某些自定义实现（例如 CuDNN）来支持。

符号

X - 输入张量

z - 更新门

r - 重置门

h - 隐藏门

t - 时间步长（t-1 表示前一时间步长）

W[zrh] - 更新、重置和隐藏门的 W 参数权重矩阵

R[zrh] - 更新、重置和隐藏门的 R 循环权重矩阵

Wb[zrh] - 更新、重置和隐藏门的 W 偏差向量

Rb[zrh] - 更新、重置和隐藏门的 R 偏差向量

WB[zrh] - 反向更新、重置和隐藏门的 W 参数权重矩阵

RB[zrh] - 反向更新、重置和隐藏门的 R 循环权重矩阵

WBb[zrh] - 反向更新、重置和隐藏门的 W 偏差向量

RBb[zrh] - 反向更新、重置和隐藏门的 R 偏差向量

H - 隐藏状态

num_directions - 如果 direction == bidirectional 则为 2，否则为 1

激活函数

Relu(x) - max(0, x)

Tanh(x) - (1 - e^{-2x})/(1 + e^{-2x})

Sigmoid(x) - 1/(1 + e^{-x})

（注意：以下为可选）

Affine(x) - alpha*x + beta

LeakyRelu(x) - 如果 x >= 0 则为 x，否则为 alpha * x

ThresholdedRelu(x) - 如果 x >= alpha 则为 x，否则为 0

ScaledTanh(x) - alphaTanh(betax)

HardSigmoid(x) - min(max(alpha*x + beta, 0), 1)

Elu(x) - x if x >= 0 else alpha*(e^x - 1)

Softsign(x) - x/(1 + |x|)

Softplus(x) - log(1 + e^x)

方程式（默认：f=Sigmoid，g=Tanh）

  • zt = f(Xt*(Wz^T) + Ht-1*Rz + Wbz + Rbz)

  • rt = f(Xt*(Wr^T) + Ht-1*Rr + Wbr + Rbr)

  • ht = g(Xt*(Wh^T) + (rt (.) Ht-1)*Rh + Rbh + Wbh) # 默认，当 linear_before_reset = 0 时

  • ht = g(Xt*(Wh^T) + (rt (.) (Ht-1*Rh + Rbh) + Wbh) # 当 linear_before_reset != 0 时

  • Ht = (1 - zt) (.) ht + zt (.) Ht-1

属性

  • activation_alpha - 浮点数 :

    某些激活函数使用的可选缩放值。这些值按激活函数的顺序使用，例如 LSTM 中的 (f、g、h)。默认值与相应 ONNX 运算符的默认值相同。例如，对于 LeakyRelu，默认 alpha 为 0.01。

  • activation_beta - 浮点数 :

    某些激活函数使用的可选缩放值。这些值按激活函数的顺序使用，例如 LSTM 中的 (f、g、h)。默认值与相应 ONNX 运算符的默认值相同。

  • activations - 字符串 :

    更新、重置和隐藏门的 2 个（或如果为双向则为 4 个）激活函数列表。激活函数必须是上面指定的激活函数之一。可选：如果未指定，请参阅方程式以获取默认值。

  • clip - 浮点数 :

    单元剪辑阈值。剪辑将张量的元素限制在 [-threshold, +threshold] 范围内，并应用于激活的输入。如果未指定，则不进行剪辑。

  • direction - 字符串（默认为'forward'）

    指定 RNN 是前向、反向还是双向。必须是 forward（默认）、reverse 或 bidirectional 之一。

  • hidden_size - INT :

    隐藏层的神经元数量

  • linear_before_reset - INT（默认值为'0'）

    计算隐藏门输出时，在乘以重置门的输出之前应用线性变换。

  • output_sequence - INT（默认值为'0'）

    如果为 0，则隐藏状态的序列输出是可选的。默认为 0。

输入

3 到 6 个输入。

  • X (异构) - T

    打包（可能已填充）到一个形状为[seq_length, batch_size, input_size]的 3D 张量中的输入序列。

  • W (异构) - T

    门的权重张量。沿维度 0 连接W[zrh]和WB[zrh]（如果为双向）。该张量的形状为[num_directions, 3*hidden_size, input_size]。

  • R (异构) - T

    递归权重张量。沿维度 0 连接R[zrh]和RB[zrh]（如果为双向）。该张量的形状为[num_directions, 3*hidden_size, hidden_size]。

  • B (可选，异构) - T

    门的偏置张量。沿维度 0 连接[Wb[zrh], Rb[zrh]]和[WBb[zrh], RBb[zrh]]（如果为双向）。该张量的形状为[num_directions, 6*hidden_size]。可选：如果未指定，则假定为 0

  • sequence_lens (可选，异构) - T1

    指定批次中序列长度的可选张量。如果未指定，则假定批次中所有序列的长度都为seq_length。其形状为[batch_size]。

  • initial_h (可选，异构) - T

    隐藏状态的可选初始值。如果未指定，则假定为 0。其形状为[num_directions, batch_size, hidden_size]。

输出

0 到 2 个输出。

  • Y (可选，异构) - T

    连接所有隐藏状态的中间输出值的张量。其形状为[seq_length, num_directions, batch_size, hidden_size]。如果output_sequence为 0，则它是可选的。

  • Y_h (可选，异构) - T

    隐藏状态的最后一个输出值。其形状为[num_directions, batch_size, hidden_size]。

类型约束

  • T in ( tensor(double), tensor(float), tensor(float16) )

    将输入和输出类型约束为浮点张量。

  • T1 in ( tensor(int32) )

    将 seq_lens 约束为整数张量。

GRU - 1

版本

  • 名称: GRU (GitHub)

  • 域: main

  • since_version: 1

  • 函数: False

  • 支持级别: SupportType.COMMON

  • shape inference: False

此版本的算子自版本 1起可用。

摘要

计算单层 GRU。此运算符通常通过某些自定义实现（例如 CuDNN）来支持。

符号

X - 输入张量

z - 更新门

r - 重置门

h - 隐藏门

t - 时间步长（t-1 表示前一时间步长）

W[zrh] - 更新、重置和隐藏门的 W 参数权重矩阵

R[zrh] - 更新、重置和隐藏门的 R 循环权重矩阵

Wb[zrh] - 更新、重置和隐藏门的 W 偏差向量

Rb[zrh] - 更新、重置和隐藏门的 R 偏差向量

WB[zrh] - 反向更新、重置和隐藏门的 W 参数权重矩阵

RB[zrh] - 反向更新、重置和隐藏门的 R 循环权重矩阵

WBb[zrh] - 反向更新、重置和隐藏门的 W 偏差向量

RBb[zrh] - 反向更新、重置和隐藏门的 R 偏差向量

H - 隐藏状态

num_directions - 如果 direction == bidirectional 则为 2，否则为 1

激活函数

Relu(x) - max(0, x)

Tanh(x) - (1 - e^{-2x})/(1 + e^{-2x})

Sigmoid(x) - 1/(1 + e^{-x})

（注意：以下为可选）

Affine(x) - alpha*x + beta

LeakyRelu(x) - 如果 x >= 0 则为 x，否则为 alpha * x

ThresholdedRelu(x) - 如果 x >= alpha 则为 x，否则为 0

ScaledTanh(x) - alphaTanh(betax)

HardSigmoid(x) - min(max(alpha*x + beta, 0), 1)

Elu(x) - x if x >= 0 else alpha*(e^x - 1)

Softsign(x) - x/(1 + |x|)

Softplus(x) - log(1 + e^x)

方程式（默认：f=Sigmoid，g=Tanh）

  • zt = f(Xt*(Wz^T) + Ht-1*Rz + Wbz + Rbz)

  • rt = f(Xt*(Wr^T) + Ht-1*Rr + Wbr + Rbr)

  • ht = g(Xt*(Wh^T) + (rt (.) Ht-1)*Rh + Rbh + Wbh) # 默认，当 linear_before_reset = 0 时

  • ht = g(Xt*(Wh^T) + (rt (.) (Ht-1*Rh + Rbh) + Wbh) # 当 linear_before_reset != 0 时

  • Ht = (1 - zt) (.) ht + zt (.) Ht-1

属性

  • activation_alpha - 浮点数 :

    一些激活函数使用的可选缩放值。这些值按激活函数的顺序使用，例如 LSTM 中的 (f, g, h)。

  • activation_beta - 浮点数 :

    一些激活函数使用的可选缩放值。这些值按激活函数的顺序使用，例如 LSTM 中的 (f, g, h)。

  • activations - 字符串 :

    更新、重置和隐藏门的 2 个（或如果为双向则为 4 个）激活函数列表。激活函数必须是上面指定的激活函数之一。可选：如果未指定，请参阅方程式以获取默认值。

  • clip - 浮点数 :

    单元剪辑阈值。剪辑将张量的元素限制在 [-threshold, +threshold] 范围内，并应用于激活的输入。如果未指定，则不进行剪辑。

  • direction - STRING（默认值为'foward'）

    指定 RNN 是前向、反向还是双向。必须是 forward（默认）、reverse 或 bidirectional 之一。

  • hidden_size - INT :

    隐藏层的神经元数量

  • output_sequence - INT（默认值为'0'）

    如果为 0，则隐藏状态的序列输出是可选的。默认为 0。

输入

3 到 6 个输入。

  • X (异构) - T

    打包（可能已填充）到一个形状为[seq_length, batch_size, input_size]的 3D 张量中的输入序列。

  • W (异构) - T

    门的权重张量。沿维度 0 连接W[zrh]和WB[zrh]（如果为双向）。该张量的形状为[num_directions, 3*hidden_size, input_size]。

  • R (异构) - T

    递归权重张量。沿维度 0 连接R[zrh]和RB[zrh]（如果为双向）。该张量的形状为[num_directions, 3*hidden_size, hidden_size]。

  • B (可选，异构) - T

    门的偏置张量。沿维度 0 连接[Wb[zrh], Rb[zrh]]和[WBb[zrh], RBb[zrh]]（如果为双向）。该张量的形状为[num_directions, 6*hidden_size]。可选：如果未指定，则假定为 0

  • sequence_lens (可选，异构) - T1

    指定批次中序列长度的可选张量。如果未指定，则假定批次中所有序列的长度都为seq_length。其形状为[batch_size]。

  • initial_h (可选，异构) - T

    隐藏状态的可选初始值。如果未指定，则假定为 0。其形状为[num_directions, batch_size, hidden_size]。

输出

  • Y (可选，异构) - T

    连接所有隐藏状态的中间输出值的张量。其形状为[seq_length, num_directions, batch_size, hidden_size]。如果output_sequence为 0，则它是可选的。

  • Y_h (异构) - T

    隐藏状态的最后一个输出值。其形状为[num_directions, batch_size, hidden_size]。

类型约束

  • T in ( tensor(double), tensor(float), tensor(float16) )

    将输入和输出类型约束为浮点张量。

  • T1 in ( tensor(int32) )

    将 seq_lens 约束为整数张量。