cv::dnn::GRULayer 类参考

GRU 循环单层。 更多...

#include <opencv2/dnn/all_layers.hpp>

cv::dnn::GRULayer 的协作图

静态公共成员函数
static Ptr< GRULayer >	create (const LayerParams &params)
从 cv::Algorithm 继承的静态公共成员函数
template<typename _Tp >
static Ptr< _Tp >	load (const String &filename, const String &objname=String())
	从文件中加载算法。
template<typename _Tp >
static Ptr< _Tp >	loadFromString (const String &strModel, const String &objname=String())
	从字符串加载算法。
template<typename _Tp >
static Ptr< _Tp >	read (const FileNode &fn)
	从文件节点读取算法。

其他继承成员
从 cv::dnn::Layer 继承的公共成员函数
	Layer ()
	Layer (const LayerParams &params)
	仅初始化 name、type 和 blobs 字段。
virtual	~Layer ()
virtual void	applyHalideScheduler (Ptr< BackendNode > &node, const std::vector< Mat * > &inputs, const std::vector< Mat > &outputs, int targetId) const
	基于层超参数的自动 Halide 调度。
virtual void	finalize (const std::vector< Mat * > &input, std::vector< Mat > &output)
	根据输入、输出和 blob 计算并设置内部参数。
std::vector< Mat >	finalize (const std::vector< Mat > &inputs)
	这是一个重载成员函数，为方便起见而提供。 它与上述函数的不同之处仅在于它接受的参数。
void	finalize (const std::vector< Mat > &inputs, std::vector< Mat > &outputs)
	这是一个重载成员函数，为方便起见而提供。 它与上述函数的不同之处仅在于它接受的参数。
virtual void	finalize (InputArrayOfArrays inputs, OutputArrayOfArrays outputs)
	根据输入、输出和 blob 计算并设置内部参数。
virtual void	forward (InputArrayOfArrays inputs, OutputArrayOfArrays outputs, OutputArrayOfArrays internals)
	根据给定的 input blob 计算输出 blobs。
virtual void	forward (std::vector< Mat * > &input, std::vector< Mat > &output, std::vector< Mat > &internals)
	根据给定的 input blob 计算输出 blobs。
void	forward_fallback (InputArrayOfArrays inputs, OutputArrayOfArrays outputs, OutputArrayOfArrays internals)
	根据给定的 input blob 计算输出 blobs。
virtual int64	getFLOPS (const std::vector< MatShape > &inputs, const std::vector< MatShape > &outputs) const
virtual bool	getMemoryShapes (const std::vector< MatShape > &inputs, const int requiredOutputs, std::vector< MatShape > &outputs, std::vector< MatShape > &internals) const
virtual void	getScaleShift (Mat &scale, Mat &shift) const
	返回具有逐通道乘法和加法层的参数。
virtual void	getScaleZeropoint (float &scale, int &zeropoint) const
	返回层的缩放比例和零点。
virtual Ptr< BackendNode >	initCann (const std::vector< Ptr< BackendWrapper > > &inputs, const std::vector< Ptr< BackendWrapper > > &outputs, const std::vector< Ptr< BackendNode > > &nodes)
	返回一个 CANN 后端节点。
virtual Ptr< BackendNode >	initCUDA (void *context, const std::vector< Ptr< BackendWrapper > > &inputs, const std::vector< Ptr< BackendWrapper > > &outputs)
	返回一个 CUDA 后端节点。
virtual Ptr< BackendNode >	initHalide (const std::vector< Ptr< BackendWrapper > > &inputs)
	返回 Halide 后端节点。
virtual Ptr< BackendNode >	initNgraph (const std::vector< Ptr< BackendWrapper > > &inputs, const std::vector< Ptr< BackendNode > > &nodes)
virtual Ptr< BackendNode >	initTimVX (void *timVxInfo, const std::vector< Ptr< BackendWrapper > > &inputsWrapper, const std::vector< Ptr< BackendWrapper > > &outputsWrapper, bool isLast)
	返回一个 TimVX 后端节点。
virtual Ptr< BackendNode >	initVkCom (const std::vector< Ptr< BackendWrapper > > &inputs, std::vector< Ptr< BackendWrapper > > &outputs)
virtual Ptr< BackendNode >	initWebnn (const std::vector< Ptr< BackendWrapper > > &inputs, const std::vector< Ptr< BackendNode > > &nodes)
virtual int	inputNameToIndex (String inputName)
	返回输入数组中输入 blob 的索引。
virtual int	outputNameToIndex (const String &outputName)
	返回输出数组中输出 blob 的索引。
void	run (const std::vector< Mat > &inputs, std::vector< Mat > &outputs, std::vector< Mat > &internals)
	分配层并计算输出。
virtual bool	setActivation (const Ptr< ActivationLayer > &layer)
	尝试将后续激活层附加到该层，即在部分情况下进行层融合。
void	setParamsFrom (const LayerParams &params)
	仅初始化 name、type 和 blobs 字段。
virtual bool	supportBackend (int backendId)
	询问层是否支持特定后端进行计算。
virtual Ptr< BackendNode >	tryAttach (const Ptr< BackendNode > &node)
	实现层融合。
virtual bool	tryFuse (Ptr< Layer > &top)
	尝试将当前层与下一层融合。
virtual bool	tryQuantize (const std::vector< std::vector< float > > &scales, const std::vector< std::vector< int > > &zeropoints, LayerParams &params)
	尝试量化给定层并计算定点实现所需的量化参数。
virtual void	unsetAttached ()
	“分离”附加到特定层的所有层。
virtual bool	updateMemoryShapes (const std::vector< MatShape > &inputs)
从 cv::Algorithm 继承的公共成员函数
	算法 ()
virtual	~算法 ()
virtual void	清除 ()
	清除算法状态。
virtual bool	为空 () const
	如果 算法 为空（例如，在最开始或读取失败后），则返回 true。
virtual 字符串	获取默认名称 () const
virtual void	读取 (const FileNode &fn)
	从文件存储中读取算法参数。
virtual void	保存 (const 字符串 &filename) const
void	写入 (const Ptr< FileStorage > &fs, const 字符串 &name=字符串()) const
virtual void	写入 (FileStorage &fs) const
	将算法参数存储在文件存储中。
void	写入 (FileStorage &fs, const 字符串 &name) const
从 cv::dnn::Layer 继承的公共属性
std::vector< Mat >	斑点
	必须在此处存储学习到的参数列表，以便可以通过使用 Net::getParam() 读取它们。
字符串	名称
	层实例的名称，可用于日志记录或其他内部用途。
int	首选目标
	层转发的首选目标
字符串	类型
	用于由层工厂创建层的类型名称。
从 cv::Algorithm 继承的受保护成员函数
void	写入格式 (FileStorage &fs) const

详细描述

GRU 循环单层。

接受输入序列并计算批次中每个元素的最终隐藏状态。

• input[0] 包含输入序列的特征。input[0] 的形状应为 [T、N、data_dims]，其中 T 是序列长度，N 是批次大小，data_dims 是输入大小
• 输出的形状为 [T、N、D * hidden_size]，如果层是双向的，则 D = 2，否则 D = 1

取决于以下属性

• hidden_size - 隐藏层中的神经元数量
• direction - RNN 可以是双向或正向的

最终隐藏状态 \( h_t \) 通过以下公式计算

\begin{eqnarray*} 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)} \\ \end{eqnarray*}

其中 \(x_t\) 是当前输入，\(h_{(t-1)}\) 是先前或初始隐藏状态。

\(W_{x?}\)、\(W_{h?}\) 和 \(b_{?}\) 是学习到的权重，表示为矩阵：\(W_{x?} \in R^{N_h \times N_x}\)、\(W_{h?} \in R^{N_h \times N_h}\)、\(b_? \in R^{N_h}\)。

\(\odot\) 是逐元素乘法运算。

成员函数文档

创建()

static Ptr< GRULayer > cv::dnn::GRULayer::创建 ( const LayerParams &  参数 )

静态

创建 GRU 层的实例

---

此类的文档是从以下文件生成的

• opencv2/dnn/all_layers.hpp