当前位置：首页 > wzjs >正文

泰安网络推广培训广州seo优化方法

wzjs 2025/9/21 18:39:18

泰安网络推广培训,广州seo优化方法,免费发布平台,创建全国文明城市工作要求WITRAN_2DPSGMU_Encoder 类中的门机制详解在 WITRAN_2DPSGMU_Encoder 类中，门机制是核心部分，类似于 LSTM 或 GRU 的门控机制，用于控制隐藏状态的更新和输出。以下是对门机制的详细解析。 1. 门机制的作用门机制的主要作用是：…

`WITRAN_2DPSGMU_Encoder` 类中的门机制详解

在 WITRAN_2DPSGMU_Encoder 类中，门机制是核心部分，类似于 LSTM 或 GRU 的门控机制，用于控制隐藏状态的更新和输出。以下是对门机制的详细解析。

1. 门机制的作用

门机制的主要作用是：

控制信息流动：
- 决定当前时间步的输入信息和上一时间步的隐藏状态如何结合。
- 通过更新门、输入门和输出门，选择性地保留或丢弃信息。
更新隐藏状态：
- 根据门控信号，更新行隐藏状态（hidden_slice_row）和列隐藏状态（hidden_slice_col）。
生成输出：
- 将更新后的隐藏状态拼接，作为当前时间步的输出。

2. 门机制的组成

门机制由以下几部分组成：

(1) 门控信号的生成

gate = self.linear(torch.cat([hidden_slice_row, hidden_slice_col, a[:, slice, :]], dim=-1), W, B, batch_size, slice, Water2sea_slice_num)

输入：
- hidden_slice_row：行隐藏状态，形状为 [128, 32]。
- hidden_slice_col：列隐藏状态，形状为 [128, 32]。
- a[:, slice, :]：当前时间步的输入，形状为 [128, 11]。
- 拼接后，输入形状为 [128, 75]。
线性变换：
- 权重矩阵 W 的形状为 [192, 75]。
- 偏置向量 B 的形状为 [192]。
- 输出 gate 的形状为 [128, 192]。

(2) 分割门控信号

sigmod_gate, tanh_gate = torch.split(gate, 4 * self.hidden_size, dim=-1)

分割结果：
- sigmod_gate：前 128 列，用于生成更新门和输出门。
- tanh_gate：后 64 列，用于生成输入门。

(3) 激活函数处理

Sigmoid 激活：
```
sigmod_gate = torch.sigmoid(sigmod_gate)
```
- 将 sigmod_gate 的值映射到 [0, 1] 区间。
- 用于生成更新门和输出门的开关信号。
Tanh 激活：
```
tanh_gate = torch.tanh(tanh_gate)
```
- 将 tanh_gate 的值映射到 [-1, 1] 区间。
- 用于生成输入门的候选值。

(4) 分割门控信号为具体的门

update_gate_row, output_gate_row, update_gate_col, output_gate_col = sigmod_gate.chunk(4, dim=-1)
input_gate_row, input_gate_col = tanh_gate.chunk(2, dim=-1)

更新门：
- update_gate_row：更新行隐藏状态的门控信号，形状为 [128, 32]。
- update_gate_col：更新列隐藏状态的门控信号，形状为 [128, 32]。
输出门：
- output_gate_row：输出行隐藏状态的门控信号，形状为 [128, 32]。
- output_gate_col：输出列隐藏状态的门控信号，形状为 [128, 32]。
输入门：
- input_gate_row：用于更新行隐藏状态的输入门信号，形状为 [128, 32]。
- input_gate_col：用于更新列隐藏状态的输入门信号，形状为 [128, 32]。

3. 隐藏状态的更新

(1) 更新行隐藏状态

hidden_slice_row = torch.tanh((1-update_gate_row)*hidden_slice_row + update_gate_row*input_gate_row) * output_gate_row

计算过程：
1. (1 - update_gate_row) * hidden_slice_row：
  - 保留上一时间步的行隐藏状态。
2. update_gate_row * input_gate_row：
  - 引入当前时间步的输入信息。
3. 相加后通过 torch.tanh 激活：
  - 将结果映射到 [-1, 1] 区间。
4. 乘以 output_gate_row：
  - 控制隐藏状态的输出强度。
结果：
- 更新后的行隐藏状态 hidden_slice_row，形状为 [128, 32]。

(2) 更新列隐藏状态

hidden_slice_col = torch.tanh((1-update_gate_col)*hidden_slice_col + update_gate_col*input_gate_col) * output_gate_col

计算过程：
- 与更新行隐藏状态的逻辑相同，但作用于列隐藏状态。
结果：
- 更新后的列隐藏状态 hidden_slice_col，形状为 [128, 32]。

4. 输出的生成

output_slice = torch.cat([hidden_slice_row, hidden_slice_col], dim=-1)

拼接隐藏状态：
- 将行隐藏状态 hidden_slice_row 和列隐藏状态 hidden_slice_col 在最后一个维度上拼接。
- 输出形状为 [128, 64]。
保存输出：
```
output_all_slice_list.append(output_slice)
```
- 将当前时间步的输出保存到 output_all_slice_list 中。

5. 门机制的核心逻辑总结

门控信号的生成：
- 通过线性变换生成门控信号 gate，并分割为更新门、输出门和输入门。
隐藏状态的更新：
- 使用更新门和输入门结合上一时间步的隐藏状态，生成新的隐藏状态。
- 使用输出门控制隐藏状态的输出强度。
输出的生成：
- 将行隐藏状态和列隐藏状态拼接，作为当前时间步的输出。

6. 图示化表示

输入：hidden_slice_row [128, 32]hidden_slice_col [128, 32]当前时间步输入 a[:, slice, :] [128, 11]拼接后输入 [128, 75]↓
线性变换：gate = self.linear(...) → [128, 192]↓
分割 gate：sigmod_gate [128, 128] → 更新门、输出门tanh_gate [128, 64] → 输入门↓
激活函数：Sigmoid → sigmod_gateTanh → tanh_gate↓
分割门控信号：更新门：update_gate_row, update_gate_col输出门：output_gate_row, output_gate_col输入门：input_gate_row, input_gate_col↓
更新隐藏状态：hidden_slice_row → 更新行隐藏状态hidden_slice_col → 更新列隐藏状态↓
生成输出：output_slice = torch.cat([hidden_slice_row, hidden_slice_col], dim=-1) → [128, 64]