CudnnRNN

Um RNN apoiado por cuDNN.

Calcula o RNN a partir dos estados de entrada e inicial, em relação ao buffer de parâmetros. Aceita uma entrada extra "sequence_lengths" do que CudnnRNN.

rnn_mode: Indica o tipo do modelo RNN. input_mode: Indica se existe uma projeção linear entre a entrada e o cálculo real antes da primeira camada. 'skip_input' só é permitido quando input_size == num_units; 'auto_select' implica 'skip_input' quando input_size == num_units; caso contrário, implica 'linear_input'. direção: Indica se um modelo bidirecional será usado. Deve ser "unidirecional" ou "bidirecional". abandono: probabilidade de abandono. Quando definido como 0, o dropout é desabilitado. seed: A primeira parte de uma semente para inicializar o dropout. seed2: A segunda parte de uma semente para inicializar o dropout. entrada: se time_major for verdadeiro, este é um tensor 3-D com a forma de [seq_length, batch_size, input_size]. Se time_major for falso, a forma será [batch_size, seq_length, input_size]. input_h: Se time_major for verdadeiro, este é um tensor 3-D com a forma de [num_layer * dir, batch_size, num_units]. Se time_major for falso, a forma será [batch_size, num_layer * dir, num_units]. input_c: Para LSTM, um tensor 3-D com a forma de [num_layer * dir, batch, num_units]. Para outros modelos, é ignorado. params: um tensor 1-D que contém os pesos e tendências em um layout opaco. O tamanho deve ser criado através de CudnnRNNParamsSize e inicializado separadamente. Observe que eles podem não ser compatíveis entre gerações diferentes. Portanto, é uma boa ideia salvar e restaurarsequence_lengths: um vetor de comprimentos de cada sequência de entrada. saída: Se time_major for verdadeiro, este é um tensor 3-D com a forma de [seq_length, batch_size, dir * num_units]. Se time_major for falso, a forma será [batch_size, seq_length, dir * num_units]. output_h: A mesma forma possui input_h. output_c: O mesmo formato de input_c para LSTM. Um tensor vazio para outros modelos. is_training: Indica se esta operação é usada para inferência ou treinamento. time_major: indica se o formato de entrada/saída é maior em tempo ou maior em lote. reserve_space: um tensor opaco que pode ser usado no cálculo backprop. Só é produzido se is_training for verdadeiro.