GRUBlockCellGrad

kelas akhir publik GRUBlockCellGrad

Menghitung propagasi balik sel GRU untuk 1 langkah waktu.

Args x: Masukan ke sel GRU. h_prev: Menyatakan masukan dari sel GRU sebelumnya. w_ru: Matriks bobot untuk gerbang reset dan pembaruan. w_c: Matriks bobot untuk gerbang koneksi sel. b_ru: Vektor bias untuk gerbang reset dan update. b_c: Vektor bias untuk gerbang koneksi sel. r: Output dari gerbang reset. u: Output dari gerbang pembaruan. c: Output dari gerbang koneksi sel. d_h: Gradien h_new wrt ke fungsi tujuan.

Mengembalikan d_x: Gradien x wrt ke fungsi tujuan. d_h_prev: Gradien h wrt ke fungsi tujuan. d_c_bar Gradien dari c_bar wrt ke fungsi tujuan. d_r_bar_u_bar Gradien r_bar & u_bar sesuai dengan fungsi tujuan.

Operasi kernel ini mengimplementasikan persamaan matematika berikut:

Catatan tentang notasi variabel:

Rangkaian a dan b dilambangkan dengan a_b Perkalian titik berdasarkan elemen dari a dan b dilambangkan dengan ab Perkalian titik berdasarkan elemen dilambangkan dengan \circ Perkalian matriks dilambangkan dengan *

Catatan tambahan untuk kejelasan:

`w_ru` dapat disegmentasi menjadi 4 matriks berbeda.

w_ru = [w_r_x w_u_x
         w_r_h_prev w_u_h_prev]
Demikian pula, `w_c` dapat disegmentasi menjadi 2 matriks berbeda.
w_c = [w_c_x w_c_h_prevr]
Hal yang sama berlaku untuk bias.
b_ru = [b_ru_x b_ru_h]
 b_c = [b_c_x b_c_h]
Catatan lain tentang notasi:
d_x = d_x_component_1 + d_x_component_2
 
 where d_x_component_1 = d_r_bar * w_r_x^T + d_u_bar * w_r_x^T
 and d_x_component_2 = d_c_bar * w_c_x^T
 
 d_h_prev = d_h_prev_component_1 + d_h_prevr \circ r + d_h \circ u
 where d_h_prev_componenet_1 = d_r_bar * w_r_h_prev^T + d_u_bar * w_r_h_prev^T
Matematika di balik Gradien di bawah ini:
d_c_bar = d_h \circ (1-u) \circ (1-c \circ c)
 d_u_bar = d_h \circ (h-c) \circ u \circ (1-u)
 
 d_r_bar_u_bar = [d_r_bar d_u_bar]
 
 [d_x_component_1 d_h_prev_component_1] = d_r_bar_u_bar * w_ru^T
 
 [d_x_component_2 d_h_prevr] = d_c_bar * w_c^T
 
 d_x = d_x_component_1 + d_x_component_2
 
 d_h_prev = d_h_prev_component_1 + d_h_prevr \circ r + u
Perhitungan di bawah ini dilakukan di pembungkus python untuk Gradien (bukan di kernel gradien.)
d_w_ru = x_h_prevr^T * d_c_bar
 
 d_w_c = x_h_prev^T * d_r_bar_u_bar
 
 d_b_ru = sum of d_r_bar_u_bar along axis = 0
 
 d_b_c = sum of d_c_bar along axis = 0

Konstanta

Rangkaian OP_NAME Nama operasi ini dikenal dengan mesin inti TensorFlow

Metode Publik

statis <T memperluas TNumber > GRUBlockCellGrad <T>
buat ( Lingkup lingkup , Operand <T> x, Operand <T> hPrev, Operand <T> wRu, Operand <T> wC, Operand <T> bRu, Operand <T> bC, Operand <T> r, Operand <T > u, Operan <T> c, Operan <T> dH)
Metode pabrik untuk membuat kelas yang membungkus operasi GRUBlockCellGrad baru.
Keluaran <T>
DCBar ()
Keluaran <T>
dHPrev ()
Keluaran <T>
dRBarUBar ()
Keluaran <T>
dX ()

Metode Warisan

Konstanta

String akhir statis publik OP_NAME

Nama operasi ini dikenal dengan mesin inti TensorFlow

Nilai Konstan: "GRUBlockCellGrad"

Metode Publik

public static GRUBlockCellGrad <T> buat ( Lingkup lingkup , Operan <T> x, Operan <T> hPrev, Operan <T> wRu, Operan <T> wC, Operan <T> bRu, Operan <T> bC, Operan <T > r, Operan <T> u, Operan <T> c, Operan <T> dH)

Metode pabrik untuk membuat kelas yang membungkus operasi GRUBlockCellGrad baru.

Parameter
cakupan ruang lingkup saat ini
Kembali
  • contoh baru dari GRUBlockCellGrad

Keluaran publik <T> dCBar ()

Keluaran publik <T> dHPrev ()

Keluaran publik <T> dRBarUBar ()

Keluaran publik <T> dX ()