LSTMCell¶

class LSTMCell(input_size, hidden_size, bias=True)[源代码]¶

A long short-term memory (LSTM) cell.

\[\begin{split}\begin{array}{ll} i = \sigma(W_{ii} x + b_{ii} + W_{hi} h + b_{hi}) \\ f = \sigma(W_{if} x + b_{if} + W_{hf} h + b_{hf}) \\ g = \tanh(W_{ig} x + b_{ig} + W_{hg} h + b_{hg}) \\ o = \sigma(W_{io} x + b_{io} + W_{ho} h + b_{ho}) \\ c' = f * c + i * g \\ h' = o * \tanh(c') \\ \end{array}\end{split}\]

其中，\(\sigma\) 是 Hadamard 积。

参数

input_size (int) – 输入 `x ` 中的预期特征的数量
hidden_size (int) – Hidden state h 中特征的数量
bias (bool) – 如果 False，那么该层不使用偏置权重 b_ih 和 b_hh。默认值: True

Inputs: input, (h_0, c_0)

形状为 (batch, input_size) 的**input**：包含输入特征的tensor
形状为 (batch, hidden_size) 的**h_0**：包含batch中每个元素的初始 hidden state 的 tensor.
形状为 (batch, hidden_size) 的**c_0**：包含batch中每个元素的初始 cell state 的 tensor.

若 (h_0, c_0) 未提供，**h_0**和**c_0**默认设置为零。

输出：（h_1, c_1）

形状为 (batch, hidden_size) 的**h_1**：包含 batch 中每个元素下一个 hidden state 的 tensor.
形状为 (batch, hidden_size) 的**c_1**：包含 batch 中每个元素下一个 cell state 的 tensor.

实际案例

import numpy as np
import megengine as mge
import megengine.module as M

m = M.LSTMCell(10, 20)
inp = mge.tensor(np.random.randn(3, 10), dtype=np.float32)
hx = mge.tensor(np.random.randn(3, 20), dtype=np.float32)
cx = mge.tensor(np.random.randn(3, 20), dtype=np.float32)
hy, cy = m(inp, (hx, cx))
print(hy.numpy().shape)
print(cy.numpy().shape)

输出：

(3, 20)
(3, 20)

LSTM

Identity