def tree_lstm(c1, c2, lstm_in): 
    # Takes the memory cell states (c1, c2) of the two children, as 
    # well as the sum of linear transformations of the children’s 
    # hidden states (lstm_in) 
    # That sum of transformed hidden states is broken up into a 
    # candidate output a and four gates (i, f1, f2, and o). 
    a, i, f1, f2, o = lstm_in.chunk(5, 1) 
    c = a.tanh() * i.sigmoid() + f1.sigmoid() * c1 + f2.sigmoid() * c2 
    h = o.sigmoid() * c.tanh() 
    return h, cclass Reduce(nn.Module): 
    def __init__(self, size, tracker_size=None): 
        super(Reduce, self).__init__() 
        self.left = nn.Linear(size, 5 * size) 
        self.right = nn.Linear(size, 5 * size, bias=False) 
        if tracker_size is not None: 
            self.track = nn.Linear(tracker_size, 5 * size, bias=False) 
 
    def forward(self, left_in, right_in, tracking=None): 
        left, right = batch(left_in), batch(right_in) 
        tracking = batch(tracking) 
        lstm_in = self.left(left[0]) 
        lstm_in += self.right(right[0]) 
        if hasattr(self, 'track'): 
            lstm_in += self.track(tracking[0]) 
        return unbatch(tree_lstm(left[1], right[1], lstm_in)) 	
			
 6/9   首页 上一页 4 5 6 7 8 9 下一页 尾页
	
			

　　推荐阅读
　　未来的人们，将会如何看待我们现在的机器人？
            
            【义务编辑：wangxueyan TEL：（010）68476606】

            >>>详细阅读


本文标题：如何用PyTorch实现递归神经网络？
地址：http://www.17bianji.com/lsqh/34965.html
 1/2    1