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

• 接口功能：实现门控循环单元（Gated Recurrent Unit, GRU）计算，支持多层堆叠、双向、定长序列和不定长序列（PackedSequence）两种输入模式。训练模式下可输出各门控中间结果（r、z、n、hn、h），用于反向传播。

• 输入输出shape：

  • 定长模式（batchSizes为nullptr）：如果输入张量 input 的shape为(T, B, I)（batchFirst=false）或(B, T, I)（batchFirst=true），则输出张量 output 的shape为(T, B, D H)（batchFirst=false）或(B, T, D H)（batchFirst=true），最终隐状态 hy 的shape为(L * D, B, H)。
  • 不定长模式（batchSizes非nullptr）：输入张量 input 的shape为(sum(batch_size), I)，输出张量 output 的shape为(sum(batch_size), D H)，最终隐状态 hy 的shape为(L D, B, H)。当前暂不支持该模式。

• 计算公式：

  $$r_t = \sigma(W_{ir} x_t + b_{ir} + W_{hr} h_{(t-1)} + b_{hr})$$ $$z_t = \sigma(W_{iz} x_t + b_{iz} + W_{hz} h_{(t-1)} + b_{hz})$$ $$n_t = \tanh(W_{in} x_t + b_{in} + r_t \odot (W_{hn} h_{(t-1)} + b_{hn}))$$ $$h_t = (1 - z_t) \odot n_t + z_t \odot h_{(t-1)}$$

  其中：

  • $\sigma$ 为 sigmoid 激活函数。
  • $\odot$ 表示逐元素乘法（Hadamard积）。
  • $r_t$、$z_t$、$n_t$ 分别为重置门、更新门和新门。
  • $h_t$ 为当前时刻的隐状态。
  • $W_{ir}$、$W_{iz}$、$W_{in}$ 为输入权重矩阵，形状为 $[H, I]$（转置存储为 $[3H, I]$）。
  • $W_{hr}$、$W_{hz}$、$W_{hn}$ 为隐状态权重矩阵，形状为 $[H, H]$（转置存储为 $[3H, H]$）。
  • 若 hasBias=true，则 $b_{ir}$、$b_{iz}$、$b_{in}$ 和 $b_{hr}$、$b_{hz}$、$b_{hn}$ 分别为输入偏置和隐状态偏置，形状均为 $[H]$（存储为 $[3H]$）。

[object Object]

每个算子分为，必须先调用"aclnnGRUGetWorkspaceSize"接口获取计算所需workspace大小以及包含了算子计算流程的执行器，再调用"aclnnGRU"接口执行计算。

[object Object]

• 参数说明

  [object Object]

• 返回值

  aclnnStatus：返回状态码，具体参见。

  第一段接口完成入参校验，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：
  • [object Object]Atlas A3 训练系列产品/Atlas A3 推理系列产品[object Object]、[object Object]Atlas A2 训练系列产品/Atlas A2 推理系列产品[object Object]：aclnnGRU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。