[object Object][object Object][object Object]undefined[object Object]

• 接口功能：LSTM（Long Short-Term Memory，长短时记忆）网络是一种特殊的循环神经网络（RNN）模型。进行LSTM网络计算，接收输入序列和初始状态，返回输出序列和最终状态。
• 计算公式：$$\begin{aligned} (1)\qquad f_t &=\sigma(W_f[h_{t-1}, x_t] + b_f) \\ (2)\qquad i_t &=\sigma(W_i[h_{t-1}, x_t] + b_i) \\ (3)\qquad o_t &=\sigma(W_o[h_{t-1}, x_t] + b_o) \\ (4)\qquad \tilde{c}_t &=tanh(W_c[h_{t-1}, x_t] + b_c) \\ (5)\qquad c_t &=f_t ⊙ c_{t-1} + i_t ⊙ \tilde{c}_t \\ (6)\qquad c_{o}^{t} &=tanh(c_t) \\ (7)\qquad h_t &=o_t ⊙ c_{o}^{t} \\ \end{aligned}$$
  • $x_t ∈ R^{d}$：LSTM单元的输入向量。
  • $f_t ∈ (0, 1)^{h}$：遗忘门激活向量。
  • $i_t ∈ (0, 1)^{h}$：输入门、更新门激活向量。
  • $o_t ∈ (0, 1)^{h}$：输出门激活向量。
  • $h_i ∈ (-1, 1)^{h}$：隐藏状态向量，也称为LSTM单元的输出向量。
  • $\tilde{c}_t ∈ (-1, 1)^{h}$：cell输入激活向量。
  • $c_t ∈ R^{h}$：cell状态向量。
  • $W ∈ R^{h×d}，(U ∈ R^{h×h})∩(b ∈ R^{h})$：训练中需要学习的权重矩阵和偏置向量参数。

[object Object]

每个算子分为，必须先调用“aclnnLSTMGetWorkspaceSize”接口获取入参并根据流程计算所需workspace大小，再调用“aclnnLSTM”接口执行计算。

[object Object]

• 参数说明：

  [object Object][object Object][object Object][object Object]

• 返回值：

  aclnnStatus：返回状态码，具体参见。

  第一段接口会完成入参校验，出现以下场景时报错：

  [object Object]

[object Object]

• 参数说明：

  [object Object]

• 返回值：

  aclnnStatus: 返回状态码，具体参见。

[object Object]

• 确定性计算：
  • aclnnLSTM默认确定性实现。

[object Object]

示例代码如下，仅供参考，具体编译和执行过程请参考。