【pytorch】nn.GRU的使用

官方文档在这里。

GRU具体不做介绍了，本篇只做pytorch的API使用介绍.

---

torch.nn.GRU(*args, **kwargs)

公式

下面公式忽略bias，由于输入向量的长度和隐藏层特征值长度不一致，所以每个公式的W都按x和h分开。这跟理论公式部分有一些具体的实践上区别。

• reset gate， 重置门
  $r_t=\sigma (W_{ir}{x}_t+W_{hr}{h}_{t-1})$ GRU里的参数是$W_{ir}$ 和$W_{ir}$
• update gate，更新门
  $z_t=\sigma (W_{iz}{x}_t+W_{hz}{h}_{t-1})$ GRU里的参数是$W_{iz}$ 和$W_{hz}$
• 更新状态阈值
  $n_t=tanh(W_{in}{x}_t+r_t(W_{hn}{h}_{t-1}))$ GRU里的参数是$W_{in}$ 和$W_{hn}$
  这里同LSTM里的$g(t)$函数，只是多了重置门对$h_{t-1}$的影响
• 更新$h_t$
  $h_t=(1-z_t)n_t+z_t{h}_{t-1}$

所以从输入张量和隐藏层张量来说，一共有两组参数(忽略bias参数)

1. input 组 {$W_{ir}$ $W_{iz}$ $W_{in}$}
2. hidden组 {$W_{ir}$ $W_{hz}$ $W_{hn}$ }

因为hidden size为隐藏层特征输出长度，所以每个参数第一维度都是hidden size；然后每一组是把3个张量按照第一维度拼接，所以要乘以3

举例代码

from torch import nn

gru = nn.GRU(input_size=3, hidden_size=5, num_layers=1, bias=False)

print('weight_ih_l0.shape = ', gru.weight_ih_l0.shape, ', weight_hh_l0.shape = ' , gru.weight_hh_l0.shape)

双向GRU

如果要实现双向的GRU，只需要增加参数bidirectional=True

但是参数并没有增加。

from torch import nn

gru = nn.GRU(input_size=3, hidden_size=5, num_layers=1, bidirectional=True, bias=False)

print('weight_ih_l0.shape = ', gru.weight_ih_l0.shape, ', weight_ih_l0_reverse.shape = ', gru.weight_ih_l0_reverse.shape,
      '\nweight_hh_l0.shape = ' , gru.weight_hh_l0.shape, ', weight_hh_l0_reverse.shape = ', gru.weight_hh_l0_reverse.shape)

多层的概念

可以参考这里 https://blog.csdn.net/mimiduck/article/details/119975080