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

• 算子功能：GRU的反向传播，计算正向输入input、权重params、初始状态hx的梯度。
• 正向计算公式：
  • 重置门 $r_t= \sigma(W_{ir}x_t + b_{ir} + W_{hr}h_{t-1} + b_{hr})$
  • 更新门 $z_t = \sigma(W_{iz}x_t + b_{iz} + W_{hz}h_{t-1} + b_{hz})$
  • 候选隐藏状态 $n_t = \tanh(W_{in}x_t + b_{in} + r_t \odot (W_{hn}h_{t-1} + b_{hn}))$
  • 隐藏状态 $h_t = (1-z) \odot n_t + z_t \odot h_{t-1}$
• 反向计算公式：
  • $\text{上游总梯度：} \quad dh_t = dy_t + dh_{next} \quad$($dy_t$为上层梯度，$dh_{next}$为t+1时刻传回的梯度)
  • $\text{更新门梯度：} \quad dz_t = dh_t * (h_{t-1} - \tilde{h}_t) * z_t * (1 - z_t)$
  • $\text{候选态梯度：} \quad dh_{\tilde{h}t} = dh_t * (1 - z_t) * (1 - \tilde{h}_t^2)$
  • $\text{重置门梯度：} \quad dr_t = dh_{\tilde{h}t} * lin_{hh}[2*hidden\_size:3*hidden\_size] * r_t * (1 - r_t)$
  • $\text{线性变换梯度拆分：}$ $\quad dlin_{ih} = [dz_t; dr_t; dh_{\tilde{h}t}], \quad dlin_{hh} = [dz_t; dr_t; dh_{\tilde{h}t} * r_t]$
  • $\text{输入梯度（传给下层）：} \quad dx_t = W_{ih}^T @ dlin_{ih}$
  • $\text{前一时刻隐藏态梯度（传给t-1）：} \quad dh_{prev} = W_{hh}^T @ dlin_{hh} + dh_t * z_t$
  • $\text{权重/偏置梯度累加：}$ $\quad dW_{ih} += dlin_{ih} @ x_t^T, \quad dW_{hh} += dlin_{hh} @ h_{t-1}^T$ $\quad db_{ih} += dlin_{ih}.sum(dim=1), \quad db_{hh} += dlin_{hh}.sum(dim=1)$

[object Object]

每个算子分为两段式接口，必须先调用“aclnnGRUBackwardGetWorkspaceSize”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“aclnnGRUBackward”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[aclnn返回码]。

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[aclnn返回码]。

[object Object]

• 确定性计算：

  • aclnnGRUBackward默认确定性实现。
  • 支持FP16/FP32，所有输入的数据类型需保持一致

[object Object]

示例代码如下，仅供参考，具体编译和执行过程请参考。