dynamic_gru

注意：该OP的输入只能是LoDTensor，如果您需要处理的输入是Tensor类型，请使用StaticRNN（fluid.layers. ）。

该OP用于在完整序列上逐个时间步的进行单层Gated Recurrent Unit（GRU）的计算，单个时间步内GRU的计算支持以下两种计算方式：

如果origin_mode为True，则使用的运算公式来自论文 Learning Phrase Representations using RNN Encoder Decoder for Statistical Machine Translation 。

如果origin_mode为False，则使用的运算公式来自论文 。

公式如下:

其中，

为当前时间步的输入，这个输入并非 input，该OP不包含

的计算， 注意 要在该OP前使用大小为 的3倍的全连接层并将其输出作为 input；

为前一时间步的隐状态 ；

、

和

分别代表了GRU单元中update gate（更新门）、reset gate（重置门）、candidate hidden（候选隐状态）和隐状态输出;

为逐个元素相乘；

、

和

分别代表更新门、重置门和候选隐状态在计算时使用的权重矩阵和偏置。在实现上，三个权重矩阵合并为一个

形状的Tensor存放，其中

为隐单元的数目；权重Tensor存放布局为： WuhWuh 和 WrhWrh 拼接为 [D,D×2][D,D×2] 形状位于前半部分，WchWch 以 [D,D][D,D] 形状位于后半部分。

参数:

• input (Variable) – LoD level为1的LoDTensor，表示经线性变换后的序列输入，形状为 [T,D×3][T,D×3] ，其中 TT 表示mini-batch中所有序列长度之和， DD 为隐状态特征维度的大小。数据类型为float32或float64。

• size (int) – 隐状态特征维度的大小

• bias_attr (ParamAttr，可选) - 指定偏置参数属性的对象。默认值为None，表示使用默认的偏置参数属性。具体用法请参见 ParamAttr 。

• is_reverse (bool，可选) – 指明是否按照和输入相反的序列顺序计算，默认为False。

• candidate_activation (str，可选) – 公式中 actcactc 激活函数的类型。支持identity、sigmoid、tanh、relu四种激活函数类型，默认为tanh。

• h_0 (Variable，可选) – 表示初始隐状态的Tensor，若未提供，则默认为0。其形状为 [N,D][N,D] , 其中 NN 为输入mini-batch中序列的数目， DD 为隐状态特征维度的大小。数据类型与 input 相同。默认值为None。

返回： 形状为 [T,D][T,D] 、LoD level为1的LoDTensor，其中 TT 表示mini-batch中所有序列长度之和， DD 为隐状态特征维度的大小。表示经过GRU变换的输出特征序列，和 具有相同的LoD（序列长度）和数据类型。

代码示例