sequence_first_step

paddle.fluid.layers.sequence_first_step ( input ) [源代码]

该OP 仅支持LoDTensor类型的输入 ,将对输入的LoDTensor,在最后一层lod_level上,选取其每个序列(sequence)的第一个时间步(time_step)的特征向量作为池化后的输出向量。

  1. Case 1:
  2. input1-level LoDTensor:
  3. input.lod = [[0, 2, 5, 7]]
  4. input.data = [[1.], [3.], [2.], [4.], [6.], [5.], [1.]]
  5. input.shape = [7, 1]
  6. 输出为LoDTensor:
  7. out.shape = [3, 1]
  8. out.shape[0] == len(x.lod[-1]) == 3
  9. out.data = [[1.], [2.], [5.]], where 1.=first(1., 3.), 2.=first(2., 4., 6.), 5.=first(5., 1.)
  10. Case 2:
  11. input2-levelLoDTensor, 包含3个长度分别为[2, 0, 3]的序列,其中中间的0表示序列为空。
  12. 第一个长度为2的序列包含2个长度分别为[1, 2]的子序列;
  13. 最后一个长度为3的序列包含3个长度分别为[1, 0, 3]的子序列。
  14. input.lod = [[0, 2, 2, 5], [0, 1, 3, 4, 4, 7]]
  15. input.data = [[1.], [3.], [2.], [4.], [6.], [5.], [1.]]
  16. input.shape = [7, 1]
  17. 将根据最后一层的lod信息[0, 1, 3, 4, 4, 7]进行池化操作,且pad_value = 0.0
  18. 输出为LoDTensor
  19. out.shape= [5, 1]
  20. out.lod = [[0, 2, 2, 5]]
  21. 其中 out.shape[0] == len(x.lod[-1]) == 5
  22. out.data = [[1.], [3.], [4.], [0.0], [6.]]
  23. where 1.=first(1.), 3.=first(3., 2.), 4.=first(4.), 0.0 = pad_value, 6.=first(6., 5., 1.)

参数:input (Variable)- 类型为LoDTensor的输入序列,仅支持lod_level不超过2的LoDTensor,数据类型为float32。

返回:每个输入序列中的第一个step的特征向量组成的LoDTensor,数据类型为float32。

返回类型:Variable

代码示例

  1. import paddle.fluid as fluid
  2. x = fluid.layers.data(name='x', shape=[7, 1], append_batch_size=False,
  3. dtype='float32', lod_level=1)
  4. x_first_step = fluid.layers.sequence_first_step(input=x)