RNN¶
RNN - 22¶
版本¶
名称: RNN (GitHub)
域:
main
起始版本:
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¶
计算一个单层简单 RNN。此运算符通常通过一些自定义实现(例如 CuDNN)来支持。
符号
X
- 输入张量i
- 输入门t
- 时间步长(t-1 表示上一个时间步长)Wi
- 输入门的 W 参数权重矩阵Ri
- 输入门的 R 循环权重矩阵Wbi
- 输入门的 W 参数偏置向量Rbi
- 输入门的 R 参数偏置向量WBi
- 反向输入门的 W 参数权重矩阵RBi
- 反向输入门的 R 循环权重矩阵WBbi
- 反向输入门的 WR 偏置向量RBbi
- 反向输入门的 RR 偏置向量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) - x if x >= 0 else alpha * x
ThresholdedRelu(x) - x if x >= alpha else 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 (默认: f=Tanh)
Ht = f(Xt*(Wi^T) + Ht-1*(Ri^T) + Wbi + Rbi) 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名称来表示缺失参数。末尾的可选参数(后面没有出现参数的那些)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。这些值按照激活函数的顺序使用,例如 LSTM 中的 (f, g, h)。默认值与相应的 ONNX 运算符相同。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。这些值按照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。
激活函数 - 字符串 (默认为
['Tanh', 'Tanh']
)输入门的一个(如果双向则为两个)激活函数。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,默认为
Tanh
。clip - 浮点数 :
单元格裁剪阈值。裁剪将张量的元素限制在 [-threshold, +threshold] 范围内,并应用于激活函数的输入。如果未指定,则不进行裁剪。
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 - 整数 :
隐藏层中的神经元数量
layout - 整数(默认为
'0'
)输入 X、initial_h 和输出 Y、Y_h 的形状格式。如果为 0,则预期形状如下: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,则预期形状如下: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]。
输入¶
3 到 6 个输入之间。
X (异构) - T
输入序列打包(并可能填充)成一个 3-D 张量,形状为
[seq_length, batch_size, input_size]
。W (异构) - T
输入门的权重张量。连接
Wi
和WBi
(如果双向)。张量的形状为[num_directions, hidden_size, input_size]
。R (异构) - T
循环权重张量。连接
Ri
和RBi
(如果双向)。张量的形状为[num_directions, hidden_size, hidden_size]
。B (可选,异构) - T
输入门的偏置张量。连接
[Wbi, Rbi]
和[WBbi, RBbi]
(如果双向)。张量的形状为[num_directions, 2*hidden_size]
。可选:如果未指定 - 假定为 0。sequence_lens (可选, 异构) - T1
可选张量,指定批次中序列的长度。如果未指定 - 假定批次中的所有序列都具有长度
seq_length
。它的形状为[batch_size]
。initial_h (可选, 异构) - T
隐藏状态的可选初始值。如果未指定 - 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
一个连接所有隐藏层中间输出值的张量。它的形状为
[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 在 (
tensor(bfloat16)
,tensor(double)
,tensor(float)
,tensor(float16)
) 中将输入和输出类型限制为浮点张量。
T1 在 (
tensor(int32)
)将 seq_lens 限制为整数张量。
RNN - 14¶
版本¶
名称: RNN (GitHub)
域:
main
起始版本:
14
函数:
False
支持级别:
SupportType.COMMON
形状推断:
True
此版本的操作符自版本 14 起可用。
摘要¶
计算一个单层简单 RNN。此运算符通常通过一些自定义实现(例如 CuDNN)来支持。
符号
X
- 输入张量i
- 输入门t
- 时间步长(t-1 表示上一个时间步长)Wi
- 输入门的 W 参数权重矩阵Ri
- 输入门的 R 循环权重矩阵Wbi
- 输入门的 W 参数偏置向量Rbi
- 输入门的 R 参数偏置向量WBi
- 反向输入门的 W 参数权重矩阵RBi
- 反向输入门的 R 循环权重矩阵WBbi
- 反向输入门的 WR 偏置向量RBbi
- 反向输入门的 RR 偏置向量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) - x if x >= 0 else alpha * x
ThresholdedRelu(x) - x if x >= alpha else 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 (默认: f=Tanh)
Ht = f(Xt*(Wi^T) + Ht-1*(Ri^T) + Wbi + Rbi) 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名称来表示缺失参数。末尾的可选参数(后面没有出现参数的那些)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。这些值按照激活函数的顺序使用,例如 LSTM 中的 (f, g, h)。默认值与相应的 ONNX 运算符相同。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。这些值按照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。
激活函数 - 字符串 (默认为
['Tanh', 'Tanh']
)输入门的一个(如果双向则为两个)激活函数。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,默认为
Tanh
。clip - 浮点数 :
单元格裁剪阈值。裁剪将张量的元素限制在 [-threshold, +threshold] 范围内,并应用于激活函数的输入。如果未指定,则不进行裁剪。
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 - 整数 :
隐藏层中的神经元数量
layout - 整数(默认为
'0'
)输入 X、initial_h 和输出 Y、Y_h 的形状格式。如果为 0,则预期形状如下: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,则预期形状如下: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]。
输入¶
3 到 6 个输入之间。
X (异构) - T
输入序列打包(并可能填充)成一个 3-D 张量,形状为
[seq_length, batch_size, input_size]
。W (异构) - T
输入门的权重张量。连接
Wi
和WBi
(如果双向)。张量的形状为[num_directions, hidden_size, input_size]
。R (异构) - T
循环权重张量。连接
Ri
和RBi
(如果双向)。张量的形状为[num_directions, hidden_size, hidden_size]
。B (可选,异构) - T
输入门的偏置张量。连接
[Wbi, Rbi]
和[WBbi, RBbi]
(如果双向)。张量的形状为[num_directions, 2*hidden_size]
。可选:如果未指定 - 假定为 0。sequence_lens (可选, 异构) - T1
可选张量,指定批次中序列的长度。如果未指定 - 假定批次中的所有序列都具有长度
seq_length
。它的形状为[batch_size]
。initial_h (可选, 异构) - T
隐藏状态的可选初始值。如果未指定 - 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
一个连接所有隐藏层中间输出值的张量。它的形状为
[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 在 (
tensor(double)
,tensor(float)
,tensor(float16)
) 中将输入和输出类型限制为浮点张量。
T1 在 (
tensor(int32)
)将 seq_lens 限制为整数张量。
RNN - 7¶
版本¶
名称: RNN (GitHub)
域:
main
起始版本:
7
函数:
False
支持级别:
SupportType.COMMON
形状推断:
True
此版本的操作符自版本 7 起可用。
摘要¶
计算一个单层简单 RNN。此运算符通常通过一些自定义实现(例如 CuDNN)来支持。
符号
X
- 输入张量
i
- 输入门
t
- 时间步长(t-1 表示上一个时间步长)
Wi
- 输入门的 W 参数权重矩阵
Ri
- 输入门的 R 循环权重矩阵
Wbi
- 输入门的 W 参数偏置向量
Rbi
- 输入门的 R 参数偏置向量
WBi
- 反向输入门的 W 参数权重矩阵
RBi
- 反向输入门的 R 循环权重矩阵
WBbi
- 反向输入门的 WR 偏置向量
RBbi
- 反向输入门的 RR 偏置向量
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) - x if x >= 0 else alpha * x
ThresholdedRelu(x) - x if x >= alpha else 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 (默认: f=Tanh)
Ht = f(Xt*(Wi^T) + Ht-1*(Ri^T) + Wbi + Rbi) 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名称来表示缺失参数。末尾的可选参数(后面没有出现参数的那些)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。这些值按照激活函数的顺序使用,例如 LSTM 中的 (f, g, h)。默认值与相应的 ONNX 运算符相同。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。这些值按照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。
激活函数 - 字符串 (默认为
['Tanh', 'Tanh']
)输入门的一个(如果双向则为两个)激活函数。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,默认为
Tanh
。clip - 浮点数 :
单元格裁剪阈值。裁剪将张量的元素限制在 [-threshold, +threshold] 范围内,并应用于激活函数的输入。如果未指定,则不进行裁剪。
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 - 整数 :
隐藏层中的神经元数量
输入¶
3 到 6 个输入之间。
X (异构) - T
输入序列打包(并可能填充)成一个 3-D 张量,形状为
[seq_length, batch_size, input_size]
。W (异构) - T
输入门的权重张量。连接
Wi
和WBi
(如果双向)。张量的形状为[num_directions, hidden_size, input_size]
。R (异构) - T
循环权重张量。连接
Ri
和RBi
(如果双向)。张量的形状为[num_directions, hidden_size, hidden_size]
。B (可选,异构) - T
输入门的偏置张量。连接
[Wbi, Rbi]
和[WBbi, RBbi]
(如果双向)。张量的形状为[num_directions, 2*hidden_size]
。可选:如果未指定 - 假定为 0。sequence_lens (可选, 异构) - T1
可选张量,指定批次中序列的长度。如果未指定 - 假定批次中的所有序列都具有长度
seq_length
。它的形状为[batch_size]
。initial_h (可选, 异构) - T
隐藏状态的可选初始值。如果未指定 - 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
一个连接所有隐藏层中间输出值的张量。它的形状为
[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 在 (
tensor(double)
,tensor(float)
,tensor(float16)
) 中将输入和输出类型限制为浮点张量。
T1 在 (
tensor(int32)
)将 seq_lens 限制为整数张量。
RNN - 1¶
版本¶
名称: RNN (GitHub)
域:
main
起始版本:
1
函数:
False
支持级别:
SupportType.COMMON
形状推断:
True
此版本的运算符自 版本 1 起可用。
摘要¶
计算一个单层简单 RNN。此运算符通常通过一些自定义实现(例如 CuDNN)来支持。
符号
X
- 输入张量
i
- 输入门
t
- 时间步长(t-1 表示上一个时间步长)
Wi
- 输入门的 W 参数权重矩阵
Ri
- 输入门的 R 循环权重矩阵
Wbi
- 输入门的 W 参数偏置向量
Rbi
- 输入门的 R 参数偏置向量
WBi
- 反向输入门的 W 参数权重矩阵
RBi
- 反向输入门的 R 循环权重矩阵
WBbi
- 反向输入门的 WR 偏置向量
RBbi
- 反向输入门的 RR 偏置向量
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) - x if x >= 0 else alpha * x
ThresholdedRelu(x) - x if x >= alpha else 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 (默认: f=Tanh)
Ht = f(Xt*(Wi^T) + Ht-1*Ri + Wbi + Rbi)
属性¶
activation_alpha - 浮点数 :
某些激活函数使用的可选缩放值。这些值按照激活函数的顺序使用,例如 LSTM 中的 (f, g, h)。默认值与相应的 ONNX 运算符相同。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。这些值按照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。
激活函数 - 字符串 (默认为
['Tanh', 'Tanh']
)输入门的一个(如果双向则为两个)激活函数。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,默认为
Tanh
。clip - 浮点数 :
单元格裁剪阈值。裁剪将张量的元素限制在 [-threshold, +threshold] 范围内,并应用于激活函数的输入。如果未指定,则不进行裁剪。
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 - 整数 :
隐藏层中的神经元数量
output_sequence - 整数(默认为
'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 个输入之间。
X (异构) - T
输入序列打包(并可能填充)成一个 3-D 张量,形状为
[seq_length, batch_size, input_size]
。W (异构) - T
输入门的权重张量。连接
Wi
和WBi
(如果双向)。张量的形状为[num_directions, hidden_size, input_size]
。R (异构) - T
循环权重张量。连接
Ri
和RBi
(如果双向)。张量的形状为[num_directions, hidden_size, hidden_size]
。B (可选,异构) - T
输入门的偏置张量。连接
[Wbi, Rbi]
和[WBbi, RBbi]
(如果双向)。张量的形状为[num_directions, 2*hidden_size]
。可选:如果未指定 - 假定为 0。sequence_lens (可选, 异构) - T1
可选张量,指定批次中序列的长度。如果未指定 - 假定批次中的所有序列都具有长度
seq_length
。它的形状为[batch_size]
。initial_h (可选, 异构) - T
隐藏状态的可选初始值。如果未指定 - 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
一个连接所有隐藏层中间输出值的张量。它的形状为
[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 在 (
tensor(double)
,tensor(float)
,tensor(float16)
) 中将输入和输出类型限制为浮点张量。
T1 在 (
tensor(int32)
)将 seq_lens 限制为整数张量。