1 介绍

GRU的一个单元

2 基本使用方法

torch.nn.GRUCell(
    input_size, 
    hidden_size, 
    bias=True, 
    device=None, 
    dtype=None)

输入：（batch，input_size） 

输出和隐藏层：（batch，hidden_size）

3 举例

import torch.nn as nn

rnn = nn.GRUCell(input_size=5,hidden_size=10)

input_x = torch.randn(3, 5)
#batch,input_size

h0 = torch.randn(3, 10)
#batch,hidden_size

output= rnn(input_x, h0)
output.shape, output
'''
(torch.Size([3, 10]),
 tensor([[-0.4414,  1.0060,  0.3346, -0.2446, -0.4170, -0.6201, -1.0049,  0.1765,
           0.2238, -2.0249],
         [ 0.2764,  0.6327,  0.1682, -0.0433,  1.2226, -1.0959,  0.0345, -0.6375,
          -1.4599, -0.3670],
         [ 0.9447, -0.0849,  0.3983, -0.4078,  0.9805, -0.1826,  0.2151,  0.3382,
          -0.1147, -0.2307]], grad_fn=<AddBackward0>))
'''

4 和GRU的异同

功能性	GRU: 它是一个完整的循环层，可以处理整个序列的输入，并一次性返回整个序列的输出。 GRUCell: 它处理单个时间步长的输入，并返回单个时间步长的输出。它更为基础，通常在你想自定义循环过程时使用。
输入:	GRU: 期望的输入形状为 (seq_len, batch, input_size)（如果 batch_first=True，则为 (batch, seq_len, input_size)）。 GRUCell: 期望的输入形状为 (batch, input_size)。
输出:	GRU: 它返回两个输出 —— 整个序列的输出和最后一个时间步长的隐藏状态。输出的形状为 (seq_len, batch, hidden_size) 和 (num_layers * num_directions, batch, hidden_size)。 GRUCell: 它只返回下一个时间步长的隐藏状态，其形状为 (batch, hidden_size)。
用法:	使用 GRU 时，你可以一次性将整个序列传入，而不需要自己编写循环。 使用 GRUCell 时，你需要手动编写循环，以一个时间步长为单位处理输入。
应用场景:	GRU: 当你想使用标准的循环过程处理整个序列时，通常使用GRU。 GRUCell: 当你想自定义循环过程或有特定的需求时使用，例如混合不同类型的RNN单元或在循环中执行特定操作。

5 一个GRU由几个GRUcell组成？

一个具有 seq_len，bidirectional=True 和指定的 num_layers 的 GRU 对应的 GRUCell 的数量为：

1. seq_len：对于长度为 seq_len 的输入序列，GRU 在内部会进行 seq_len 次循环操作，每次循环处理序列中的一个时间步长。所以这部分会贡献 seq_len 个 GRUCell。

2. bidirectional=True：当 GRU 是双向的，即 bidirectional=True，那么对于每一个时间步长，都会有两个 GRUCell 被调用：一个是正向的，另一个是反向的。因此，双向性将 GRUCell 的数量增加一倍。

3. num_layers：这表示你要堆叠多少层的 GRU。每一层都会为每个时间步调用其自己的 GRUCell（考虑到双向性，这可能是两个）。所以如果你有 num_layers 层，那么你需要乘以这个数字。

综上所述，总的 GRUCell 的数量为： Total GRUCells=seq_len×(2 if bidirectional else 1)×num_layers