chainer.functions.n_step_bigru

`chainer.functions.n_step_bigru`(n_layers, dropout_ratio, hx, ws, bs, xs)[source]¶

積層型双方向（Bi-dimensional） GRU関数。

この関数はシーケンスを伴う積層型双方向（Bi-dimensional） GRUの演算をします。この関数は隠れ状態の初期値 $h_{0}$ , 入力シーケンス $x$ 、荷重行列 $W$ 、そしてバイアスベクトル $b$ を取得します。

この関数は入力 $x_{t}$ から各時間 $t$ の隠れ状態 $h_{t}$ を演算します。

r f t z f t h f' t h f t r b t z b t h b' t h b t h t = σ (W f 0 x t + W f 3 h t - 1 + b f 0 + b f 3) = σ (W f 1 x t + W f 4 h t - 1 + b f 1 + b f 4) = tanh (W f 2 x t + b f 2 + r f t \cdot (W f 5 h t - 1 + b f 5)) = (1 - z f t) \cdot h f' t + z f t \cdot h t - 1 = σ (W b 0 x t + W b 3 h t - 1 + b b 0 + b b 3) = σ (W b 1 x t + W b 4 h t - 1 + b b 1 + b b 4) = tanh (W b 2 x t + b b 2 + r b t \cdot (W b 5 h t - 1 + b b 5)) = (1 - z b t) \cdot h b' t + z b t \cdot h t - 1 = [h f t; h f t]

ただし、 $W^{f}$ は順方向-GRUのための荷重行列, $W^{b}$ は逆方向GRUのための荷重行列。

この関数はシーケンスを受け入れるため、１回の呼び出しで全ての $t$ について $h_{t}$ を計算します。６つの荷重行列と６つのバイアスベクトルが各層で要求されます。ですから、 $S$ 層が存在する場合、 $6 S$ 荷重行列と $6 S$ バイアスベクトルを用意する必要があります。

レイヤーの数 n_layers が $1$ より大きい場合、 k番目の層の入力がk-1-番目の層の隠れ状態 h_t である。１層目を除く全ての入力変数は、１層目と異なるshapeである可能性があることに留意してください。

Warning: train と use_cudnn 引数はv2以降はサポートされていません。替わりに、chainer.using_config('train', train) と chainer.using_config('use_cudnn', use_cudnn) をお使いください。 chainer.using_config()もお読みください。

Parameters:

Parameters:	n_layers (int) – 層の数 dropout_ratio (float) – ドロップアウト比 hx (chainer.Variable) – 積層隠れ状態を保持しているvariable. shape は `(S, B, N)` 、ただし `S` は層の数で`n_layers`に等しく、 `B` はミニバッチサイズ、`N` は隠れユニットの次元数。 ws (list of list of chainer.Variable) – 荷重行列。`ws[i]` は i番目の層の荷重を表す。各`ws[i]` は６つの行列を含むリスト。 `ws[i][j]` は上記の等式中の `W_j` に相当する。 `ws[0][j]` のみ、ただし `0 <= j < 3` が入力variableの倍数のため `(I, N)` shape。他の行列は `(N, N)` shape。 bs (list of list of chainer.Variable) –バイアスベクトル。 `bs[i]` はi番目の層のバイアスを表す。各`bs[i]` は６つのベクトルを含むリスト。 `bs[i][j]` は上記の等式中の `b_j` に相当する。各行列のshapeは `(N,)` 、ただし `N` は隠れユニットの次元。 xs (list of chainer.Variable) –入力variableを含む `Variable` のリスト、各要素`xs[t]` は時刻 `t`の入力値を保持する。その shape は `(B_t, I)` 、ただし`B_t` は時刻 `t`におけるミニバッチのサイズ、そして`I` は入力ユニットのサイズ。この関数はシ可変長のシーケンスをサポートしていることに注意すること。シーケンスが異なる長さであるとき、シーケンスを長さによって降順にソートし、ソートされたシーケンスを転置（transpose）してください。`transpose_sequence()` はシーケンスを保持している`Variable()` のリストを転置（transpose）する。そのため `xs` は`xs[t].shape[0] >= xs[t + 1].shape[0]`を満たす必要がある。 use_bi_direction (bool) – `True`,が設定されている場合、この関数は双方向GRUを用いる。
Returns:	この関数は2つの要素`hy` 、 `ys`を含むタプルを返します。（訳注：原文ではthree elementsとなっているけれども、ソースを見ても戻り値は２つ） `hy` は更新された隠れ状態でshapeは `hx`と同じ。 `ys` は `Variable` のリスト。各要素 `ys[t]` は `xs[t]`に相当する最後の層の隠れ状態を保持します。この shape は`(B_t, N)` 、ただし `B_t` は時刻 `t` のミニバッチサイズ、 `N` は隠れユニットのサイズt `B_t` は `xs[t]`と同じ値であることに注意。
Return type:	tuple

n_layers (int) – 層の数
dropout_ratio (float) – ドロップアウト比
hx (chainer.Variable) – 積層隠れ状態を保持しているvariable. shape は (S, B, N) 、ただし S は層の数でn_layersに等しく、 B はミニバッチサイズ、N は隠れユニットの次元数。
ws (list of list of chainer.Variable) – 荷重行列。ws[i] は i番目の層の荷重を表す。各ws[i] は６つの行列を含むリスト。 ws[i][j] は上記の等式中の W_j に相当する。 ws[0][j] のみ、ただし 0 <= j < 3 が入力variableの倍数のため (I, N) shape。他の行列は (N, N) shape。
bs (list of list of chainer.Variable) –バイアスベクトル。 bs[i] はi番目の層のバイアスを表す。各bs[i] は６つのベクトルを含むリスト。 bs[i][j] は上記の等式中の b_j に相当する。各行列のshapeは (N,) 、ただし N は隠れユニットの次元。
xs (list of chainer.Variable) –入力variableを含む Variable のリスト、各要素xs[t] は時刻 tの入力値を保持する。その shape は (B_t, I) 、ただしB_t は時刻 tにおけるミニバッチのサイズ、そしてI は入力ユニットのサイズ。この関数はシ可変長のシーケンスをサポートしていることに注意すること。シーケンスが異なる長さであるとき、シーケンスを長さによって降順にソートし、ソートされたシーケンスを転置（transpose）してください。transpose_sequence() はシーケンスを保持しているVariable() のリストを転置（transpose）する。そのため xs はxs[t].shape[0] >= xs[t + 1].shape[0]を満たす必要がある。
use_bi_direction (bool) – True,が設定されている場合、この関数は双方向GRUを用いる。

Returns:

この関数は2つの要素hy 、 ysを含むタプルを返します。（訳注：原文ではthree elementsとなっているけれども、ソースを見ても戻り値は２つ）

hy は更新された隠れ状態でshapeは hxと同じ。
ys は Variable のリスト。各要素 ys[t] は xs[t]に相当する最後の層の隠れ状態を保持します。この shape は(B_t, N) 、ただし B_t は時刻 t のミニバッチサイズ、 N は隠れユニットのサイズt B_t は xs[t]と同じ値であることに注意。

Return type:

tuple

chainer.functions.n_step_bigru(n_layers, dropout_ratio, hx, ws, bs, xs)[source]¶

`chainer.functions.n_step_bigru`(n_layers, dropout_ratio, hx, ws, bs, xs)[source]¶