TensorRT IRNNv2Layer

TensorRT IRNNv2Layer

IRNNv2Layer层实现递归层，如递归神经网络（RNN）、门控递归单元（GRU）和长短期记忆（LSTM）。支持的类型有RNN、GRU和LSTM。它执行一个递归操作，其中操作由几个著名的递归神经网络（RNN）“单元”之一定义。             

图层说明             

该层接受输入序列X，初始隐藏状态H0，如果该单元是长短期存储器（LSTM）单元，则为初始单元状态C0，并产生一个输出Y，该输出Y表示跨T个时间步计算的最终RNN“子层”的输出（见下文）。可选地，该层还可以产生表示最终隐藏状态的输出hT，并且，如果单元是LSTM单元，则输出cT表示最终单元状态。             

将单元的操作定义为函数G（x，h，c）。此函数接受向量输入x、h和c，并产生最多两个向量输出h'和c'，表示执行单元操作后的隐藏状态和单元状态。             

在默认（单向）配置中，RNNv2层应用如下图所示的Gas：

 

 

 

 

 

 

 

 

 

 

 

 

 another layer are dropped.

network->markOutput(*pred->getOutput(1));

pred->getOutput(1)->setType(DataType::kINT32);

rnn->getOutput(1)->setName(HIDDEN_OUT_BLOB_NAME);

network->markOutput(*rnn->getOutput(1));

if (rnn->getOperation() == RNNOperation::kLSTM)

{

rnn->getOutput(2)->setName(CELL_OUT_BLOB_NAME);

network->markOutput(*rnn->getOutput(2));

};

See the C++ class IRNNv2Layer or the Python class IRNNv2Layer for further details.

1. RNNv2 Layer Setup

网络的第一层是RNN层。这是在addRNNv2Layer（）函数中添加和配置的。该层由以下配置参数组成。             

操作             

这定义了RNN单元的操作。支持的操作目前有relu、LSTM、GRU和tanh。             

方向              

这定义了RNN是单向的还是双向的（BiRNN）。             

输入模式             

这定义了RNN的第一层是执行矩阵乘法（线性模式），还是跳过矩阵乘法（跳过模式）。             

例如，在sampleCharRNN中使用的网络中，我们使用了一个线性的、单向的LSTM单元，其中包含层数为层数的层数。下面的代码显示了如何创建这个RNNv2层。

auto rnn = network->addRNNv2(*data, LAYER_COUNT, HIDDEN_SIZE, SEQ_SIZE, RNNOperation::kLSTM);

注：对于RNNv2层，需要单独设置权重和偏差。有关详细信息，请参见RNNv2层-可选输入。             

有关更多信息，请参阅TensorRT API文档。

1. RNNv2 Layer - Optional Inputs

如果存在需要将hidden和cell状态预初始化为非零值的情况，那么可以通过setHiddenState和setCellState调用对它们进行预初始化。这些是RNN的可选输入。

C++ code snippet

rnn->setHiddenState(*hiddenIn);

if (rnn->getOperation() == RNNOperation::kLSTM)

    rnn->setCellState(*cellIn);

Python code snippet

rnn.hidden_state = hidden_in

if rnn.op == trt.RNNOperation.LSTM:

rnn.cell_state = cell_in