StaticRNN
该OP用来处理一批序列数据,其中每个样本序列的长度必须相等。StaticRNN将序列按照时间步长展开,用户需要定义每个时间步中的处理逻辑。
参数:
- name (str,可选) - 具体用法请参见 ,一般无需设置,默认值为None。
代码示例
step
( )
定义在每个时间步执行的操作。step用在with语句中,with语句中定义的OP会被执行sequence_len次(sequence_len是输入序列的长度)。
memory
( init=None, shape=None, batch_ref=None, init_value=0.0, init_batch_dim_idx=0, ref_batch_dim_idx=1 )
为静态RNN创建一个内存变量。 如果init不为None,则用init将初始化memory。 如果init为None,则必须设置shape和batch_ref,函数会使用shape和batch_ref创建新的Variable来初始化init。
参数:
init (Variable,可选) - 用来初始化memory的Tensor。如果没有设置,则必须提供shape和batch_ref参数。默认值None。
shape (list|tuple) - 当init为None时用来设置memory的维度,注意不包括batch_size。默认值None。
batch_ref (Variable,可选) - 当init为None时,memory变量的batch size会设置为该batch_ref变量的ref_batch_dim_idx轴。默认值None。
init_value (float,可选) - 当init为None时用来设置memory的初始值,默认值0.0。
init_batch_dim_idx (int,可选) - init变量的batch_size轴,默认值0。
返回:返回创建的memory变量。
返回类型;Variable
代码示例一
import paddle.fluid as fluid
import paddle.fluid.layers as layers
vocab_size, hidden_size=10000, 200
x = layers.data(name="x", shape=[-1, 1, 1], dtype='int64')
# 创建处理用的word sequence
x_emb = layers.embedding(
input=x,
size=[vocab_size, hidden_size],
dtype='float32',
is_sparse=False)
# 把batch size变换到第1维。
x_emb = layers.transpose(x_emb, perm=[1, 0, 2])
rnn = fluid.layers.StaticRNN()
with rnn.step():
# 将刚才创建的word sequence标记为输入,每个时间步取一个word处理。
word = rnn.step_input(x_emb)
# 创建memory变量作为prev,batch size来自于word变量。
prev = rnn.memory(shape=[-1, hidden_size], batch_ref = word)
# 用处理完的hidden变量更新prev变量。
rnn.update_memory(prev, hidden)
代码示例二
( x )
标记StaticRNN的输入序列。
参数:
- x (Variable) – 输入序列,x的形状应为[seq_len, …]。
返回:输入序列中当前时间步的数据。
返回类型:Variable
代码示例
import paddle.fluid as fluid
import paddle.fluid.layers as layers
vocab_size, hidden_size=10000, 200
x = layers.data(name="x", shape=[-1, 1, 1], dtype='int64')
# 创建处理用的word sequence
x_emb = layers.embedding(
input=x,
size=[vocab_size, hidden_size],
dtype='float32',
is_sparse=False)
# 把batch size变换到第1维。
x_emb = layers.transpose(x_emb, perm=[1, 0, 2])
rnn = fluid.layers.StaticRNN()
with rnn.step():
# 将刚才创建的word sequence标记为输入,每个时间步取一个word处理。
word = rnn.step_input(x_emb)
# 创建memory变量作为prev,batch size来自于word变量。
prev = rnn.memory(shape=[-1, hidden_size], batch_ref = word)
hidden = fluid.layers.fc(input=[word, prev], size=hidden_size, act='relu')
# 用处理完的hidden变量更新prev变量。
rnn.update_memory(prev, hidden)
step_output
( o )
标记StaticRNN输出的序列。
参数:
返回:无
代码示例
output
( \outputs* )
标记StaticRNN输出变量。
参数:
-outputs – 输出Tensor,可同时将多个Variable标记为输出。
返回:无
代码示例
vocab_size, hidden_size=10000, 200
x = layers.data(name="x", shape=[-1, 1, 1], dtype='int64')
# 创建处理用的word sequence
x_emb = layers.embedding(
input=x,
size=[vocab_size, hidden_size],
dtype='float32',
is_sparse=False)
# 把batch size变换到第1维。
x_emb = layers.transpose(x_emb, perm=[1, 0, 2])
rnn = fluid.layers.StaticRNN()
with rnn.step():
# 将刚才创建的word sequence标记为输入,每个时间步取一个word处理。
word = rnn.step_input(x_emb)
# 创建memory变量作为prev,batch size来自于word变量。
prev = rnn.memory(shape=[-1, hidden_size], batch_ref = word)
hidden = fluid.layers.fc(input=[word, prev], size=hidden_size, act='relu')
# 用处理完的hidden变量更新prev变量。
rnn.update_memory(prev, hidden)
# 把每一步的hidden和word标记为输出。
rnn.output(hidden, word)
update_memory
( mem, var )
将memory从mem更新为var。
参数:
mem (Variable) – memory接口定义的变量。
var (Variable) – RNN块中的变量,用来更新memory。var的维度和数据类型必须与mem一致。
代码示例参考前述示例。