RNN

RNN - 22

版本

  • 名称: RNN (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。

概述

计算单层简单 RNN。此运算符通常通过一些自定义实现（如 CuDNN）来支持。

符号

  • X - 输入张量

  • i - 输入门

  • t - 时间步长（t-1 表示前一个时间步长）

  • 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 == 双向，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) - 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（默认值：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。空字符串可用于实际参数名称的位置，以指示缺少的参数。尾随可选参数（没有后续参数的那些参数）也可以简单地省略。

属性

  • activation_alpha - FLOATS :

    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)。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 - FLOATS :

    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)。默认值与相应 ONNX 运算符的默认值相同。

  • activations - STRINGS (默认值为 ['Tanh', 'Tanh'])

    输入门的激活函数（如果为双向，则为两个）。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，则默认值为 Tanh。

  • clip - FLOAT :

    单元剪切阈值。剪切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，则不进行剪切。

  • direction - STRING (默认值为 'forward')

    指定 RNN 是向前、向后还是双向的。必须是 forward（默认）、reverse 或 bidirectional 之一。

  • hidden_size - INT :

    隐藏层中的神经元数量

  • 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，则期望以下形状：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，则期望以下形状：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]。

输入

3 到 6 个输入。

  • X (异构) - T

    输入序列打包（并可能进行填充），打包成一个形状为 [seq_length, batch_size, input_size] 的 3-D 张量。

  • W (异构) - T

    输入门的权重张量。Wi 和 WBi（如果为双向）的串联。张量具有形状 [num_directions, hidden_size, input_size]。

  • R (异构) - T

    循环权重张量。Ri 和 RBi（如果为双向）的串联。张量具有形状 [num_directions, hidden_size, hidden_size]。

  • B (可选，异构) - T

    输入门的偏置张量。[Wbi, Rbi] 和 [WBbi, RBbi]（如果为双向）的串联。张量具有形状 [num_directions, 2*hidden_size]。可选：如果未指定 - 假设为 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 - 假设批次中所有序列的长度均为 seq_length。它具有形状 [batch_size]。

  • initial_h (可选，异构) - T

    可选隐藏的初始值。如果未指定 - 假设为 0。它具有形状 [num_directions, batch_size, hidden_size]。

输出

0 到 2 个输出。

  • Y (可选，异构) - T

    一个张量，连接隐藏层的中间所有输出值。它的形状为 [seq_length, num_directions, batch_size, hidden_size]。

  • Y_h (可选，异构) - T

    隐藏层的最后一个输出值。它的形状为 [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) ) 中

    将 seq_lens 限制为整数张量。

RNN - 14

版本

  • 名称: RNN (GitHub)

  • 域: main

  • since_version: 14

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

该版本的运算符已在版本 14 中可用。

概要

计算单层简单 RNN。此运算符通常通过一些自定义实现（如 CuDNN）来支持。

符号

  • X - 输入张量

  • i - 输入门

  • t - 时间步长（t-1 表示前一个时间步长）

  • 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 == 双向，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) - 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（默认值：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。空字符串可用于实际参数名称的位置，以指示缺少的参数。尾随可选参数（没有后续参数的那些参数）也可以简单地省略。

属性

  • activation_alpha - FLOATS :

    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)。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 - FLOATS :

    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)。默认值与相应 ONNX 运算符的默认值相同。

  • activations - STRINGS (默认值为 ['Tanh', 'Tanh'])

    输入门的激活函数（如果为双向，则为两个）。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，则默认值为 Tanh。

  • clip - FLOAT :

    单元剪切阈值。剪切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，则不进行剪切。

  • direction - STRING (默认值为 'forward')

    指定 RNN 是向前、向后还是双向的。必须是 forward（默认）、reverse 或 bidirectional 之一。

  • hidden_size - INT :

    隐藏层中的神经元数量

  • 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，则期望以下形状：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，则期望以下形状：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]。

输入

3 到 6 个输入。

  • X (异构) - T

    输入序列打包（并可能进行填充），打包成一个形状为 [seq_length, batch_size, input_size] 的 3-D 张量。

  • W (异构) - T

    输入门的权重张量。Wi 和 WBi（如果为双向）的串联。张量具有形状 [num_directions, hidden_size, input_size]。

  • R (异构) - T

    循环权重张量。Ri 和 RBi（如果为双向）的串联。张量具有形状 [num_directions, hidden_size, hidden_size]。

  • B (可选，异构) - T

    输入门的偏置张量。[Wbi, Rbi] 和 [WBbi, RBbi]（如果为双向）的串联。张量具有形状 [num_directions, 2*hidden_size]。可选：如果未指定 - 假设为 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 - 假设批次中所有序列的长度均为 seq_length。它具有形状 [batch_size]。

  • initial_h (可选，异构) - T

    可选隐藏的初始值。如果未指定 - 假设为 0。它具有形状 [num_directions, batch_size, hidden_size]。

输出

0 到 2 个输出。

  • Y (可选，异构) - T

    一个张量，连接隐藏层的中间所有输出值。它的形状为 [seq_length, num_directions, batch_size, hidden_size]。

  • Y_h (可选，异构) - T

    隐藏层的最后一个输出值。它的形状为 [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) ) 中

    将 seq_lens 限制为整数张量。

RNN - 7

版本

  • 名称: RNN (GitHub)

  • 域: main

  • since_version: 7

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

该版本的运算符已在版本 7 中可用。

概要

计算单层简单 RNN。此运算符通常通过一些自定义实现（如 CuDNN）来支持。

符号

X - 输入张量

i - 输入门

t - 时间步长（t-1 表示前一个时间步长）

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 == 双向，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) - alphaTanh(betax)

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（默认值：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。空字符串可用于实际参数名称的位置，以指示缺少的参数。尾随可选参数（没有后续参数的那些参数）也可以简单地省略。

属性

  • activation_alpha - FLOATS :

    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)。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 - FLOATS :

    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)。默认值与相应 ONNX 运算符的默认值相同。

  • activations - STRINGS (默认值为 ['Tanh', 'Tanh'])

    输入门的激活函数（如果为双向，则为两个）。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，则默认值为 Tanh。

  • clip - FLOAT :

    单元剪切阈值。剪切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，则不进行剪切。

  • direction - STRING (默认值为 'forward')

    指定 RNN 是向前、向后还是双向的。必须是 forward（默认）、reverse 或 bidirectional 之一。

  • hidden_size - INT :

    隐藏层中的神经元数量

输入

3 到 6 个输入。

  • X (异构) - T

    输入序列打包（并可能进行填充），打包成一个形状为 [seq_length, batch_size, input_size] 的 3-D 张量。

  • W (异构) - T

    输入门的权重张量。Wi 和 WBi（如果为双向）的串联。张量具有形状 [num_directions, hidden_size, input_size]。

  • R (异构) - T

    循环权重张量。Ri 和 RBi（如果为双向）的串联。张量具有形状 [num_directions, hidden_size, hidden_size]。

  • B (可选，异构) - T

    输入门的偏置张量。[Wbi, Rbi] 和 [WBbi, RBbi]（如果为双向）的串联。张量具有形状 [num_directions, 2*hidden_size]。可选：如果未指定 - 假设为 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 - 假设批次中所有序列的长度均为 seq_length。它具有形状 [batch_size]。

  • initial_h (可选，异构) - T

    可选隐藏的初始值。如果未指定 - 假设为 0。它具有形状 [num_directions, batch_size, hidden_size]。

输出

0 到 2 个输出。

  • Y (可选，异构) - T

    一个张量，连接隐藏层的中间所有输出值。它的形状为 [seq_length, num_directions, batch_size, hidden_size]。

  • Y_h (可选，异构) - T

    隐藏层的最后一个输出值。它的形状为 [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) ) 中

    将 seq_lens 限制为整数张量。

RNN - 1

版本

  • 名称: RNN (GitHub)

  • 域: main

  • since_version: 1

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

该版本的运算符已在版本 1 中可用。

概要

计算单层简单 RNN。此运算符通常通过一些自定义实现（如 CuDNN）来支持。

符号

X - 输入张量

i - 输入门

t - 时间步长（t-1 表示前一个时间步长）

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 == 双向，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) - alphaTanh(betax)

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（默认值：f=Tanh）

  • Ht = f(Xt*(Wi^T) + Ht-1*Ri + Wbi + Rbi)

属性

  • activation_alpha - FLOATS :

    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)。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 - FLOATS :

    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)。默认值与相应 ONNX 运算符的默认值相同。

  • activations - STRINGS (默认值为 ['Tanh', 'Tanh'])

    输入门的激活函数（如果为双向，则为两个）。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，则默认值为 Tanh。

  • clip - FLOAT :

    单元剪切阈值。剪切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，则不进行剪切。

  • direction - STRING (默认值为 'forward')

    指定 RNN 是向前、向后还是双向的。必须是 forward（默认）、reverse 或 bidirectional 之一。

  • hidden_size - INT :

    隐藏层中的神经元数量

  • output_sequence - INT (默认值为 '0')

    隐藏层的序列输出为可选，如果为 0 则为可选。默认为 0。

输入

3 到 6 个输入。

  • X (异构) - T

    输入序列打包（并可能进行填充），打包成一个形状为 [seq_length, batch_size, input_size] 的 3-D 张量。

  • W (异构) - T

    输入门的权重张量。Wi 和 WBi（如果为双向）的串联。张量具有形状 [num_directions, hidden_size, input_size]。

  • R (异构) - T

    循环权重张量。Ri 和 RBi（如果为双向）的串联。张量具有形状 [num_directions, hidden_size, hidden_size]。

  • B (可选，异构) - T

    输入门的偏置张量。[Wbi, Rbi] 和 [WBbi, RBbi]（如果为双向）的串联。张量具有形状 [num_directions, 2*hidden_size]。可选：如果未指定 - 假设为 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 - 假设批次中所有序列的长度均为 seq_length。它具有形状 [batch_size]。

  • initial_h (可选，异构) - T

    可选隐藏的初始值。如果未指定 - 假设为 0。它具有形状 [num_directions, batch_size, hidden_size]。

输出

0 到 2 个输出。

  • Y (可选，异构) - T

    一个张量，连接隐藏层的中间所有输出值。它的形状为 [seq_length, num_directions, batch_size, hidden_size]。如果 output_sequence 为 0，则它为可选。

  • Y_h (可选，异构) - T

    隐藏层的最后一个输出值。它的形状为 [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) ) 中

    将 seq_lens 限制为整数张量。