利用numpy怎么实现一个RNN功能

这期内容当中小编将会给大家带来有关利用numpy怎么实现一个RNN功能，文章内容丰富且以专业的角度为大家分析和叙述，阅读完这篇文章希望大家可以有所收获。

import numpy as np class Rnn():   def __init__(self, input_size, hidden_size, num_layers, bidirectional=False):     self.input_size = input_size     self.hidden_size = hidden_size     self.num_layers = num_layers     self.bidirectional = bidirectional   def feed(self, x):     '''     :param x: [seq, batch_size, embedding]     :return: out, hidden     '''     # x.shape [sep, batch, feature]     # hidden.shape [hidden_size, batch]     # Whh0.shape [hidden_size, hidden_size] Wih0.shape [hidden_size, feature]     # Whh2.shape [hidden_size, hidden_size] Wih2.size [hidden_size, hidden_size]     out = []     x, hidden = np.array(x), [np.zeros((self.hidden_size, x.shape[1])) for i in range(self.num_layers)]     Wih = [np.random.random((self.hidden_size, self.hidden_size)) for i in range(1, self.num_layers)]     Wih.insert(0, np.random.random((self.hidden_size, x.shape[2])))     Whh = [np.random.random((self.hidden_size, self.hidden_size)) for i in range(self.num_layers)]     time = x.shape[0]     for i in range(time):       hidden[0] = np.tanh((np.dot(Wih[0], np.transpose(x[i, ...], (1, 0))) +                np.dot(Whh[0], hidden[0])                ))       for i in range(1, self.num_layers):         hidden[i] = np.tanh((np.dot(Wih[i], hidden[i-1]) +                    np.dot(Whh[i], hidden[i])                    ))       out.append(hidden[self.num_layers-1])     return np.array(out), np.array(hidden) def sigmoid(x):   return 1.0/(1.0 + 1.0/np.exp(x)) if __name__ == '__main__':   rnn = Rnn(1, 5, 4)   input = np.random.random((6, 2, 1))   out, h = rnn.feed(input)   print(f'seq is {input.shape[0]}, batch_size is {input.shape[1]} ', 'out.shape ', out.shape, ' h.shape ', h.shape)   # print(sigmoid(np.random.random((2, 3))))   #   # element-wise multiplication   # print(np.array([1, 2])*np.array([2, 1]))

上述就是小编为大家分享的利用numpy怎么实现一个RNN功能了，如果刚好有类似的疑惑，不妨参照上述分析进行理解。如果想知道更多相关知识，欢迎关注亿速云行业资讯频道。