TensorRT IRNNv2Layer
IRNNv2Layer层实现递归层，如递归神经网络（RNN）、门控递归单元（GRU）和长短期记忆（LSTM）。支持的类型有RNN、GRU和LSTM。它执行一个递归操作，其中操作由几个著名的递归神经网络（RNN）“单元”之一定义。
图层说明
该层接受输入序列X，初始隐藏状态H0，如果该单元是长短期存储器（LSTM）单元，则为初始单元状态C0，并产生一个输出Y，该输出Y表示跨T个时间步计算的最终RNN“子层”的输出（见下文）。可选地，该层还可以产生表示最终隐藏状态的输出hT，并且，如果单元是LSTM单元，则输出cT表示最终单元状态。
将单元的操作定义为函数G（x，h，c）。此函数接受向量输入x、h和c，并产生最多两个向量输出h'和c'，表示执行单元操作后的隐藏状态和单元状态。
在默认（单向）配置中，RNNv2层应用如下图所示的Gas：
another layer are dropped.
network->markOutput(*pred->getOutput(1));
pred->getOutput(1)->setType(DataType::kINT32);
rnn->getOutput(1)->setName(HIDDEN_OUT_BLOB_NAME);
network->markOutput(*rnn->getOutput(1));
if (rnn->getOperation() == RNNOperation::kLSTM)
{
rnn->getOutput(2)->setName(CELL_OUT_BLOB_NAME);
network->markOutput(*rnn->getOutput(2));
};
See the C++ class IRNNv2Layer or the Python class IRNNv2Layer for further details.
网络的第一层是RNN层。这是在addRNNv2Layer（）函数中添加和配置的。该层由以下配置参数组成。
操作
这定义了RNN单元的操作。支持的操作目前有relu、LSTM、GRU和tanh。
方向
这定义了RNN是单向的还是双向的（BiRNN）。
输入模式
这定义了RNN的第一层是执行矩阵乘法（线性模式），还是跳过矩阵乘法（跳过模式）。
例如，在sampleCharRNN中使用的网络中，我们使用了一个线性的、单向的LSTM单元，其中包含层数为层数的层数。下面的代码显示了如何创建这个RNNv2层。
auto rnn = network->addRNNv2(*data, LAYER_COUNT, HIDDEN_SIZE, SEQ_SIZE, RNNOperation::kLSTM);
注：对于RNNv2层，需要单独设置权重和偏差。有关详细信息，请参见RNNv2层-可选输入。
有关更多信息，请参阅TensorRT API文档。
如果存在需要将hidden和cell状态预初始化为非零值的情况，那么可以通过setHiddenState和setCellState调用对它们进行预初始化。这些是RNN的可选输入。
C++ code snippet
rnn->setHiddenState(*hiddenIn);
if (rnn->getOperation() == RNNOperation::kLSTM)
rnn->setCellState(*cellIn);
Python code snippet
rnn.hidden_state = hidden_in
if rnn.op == trt.RNNOperation.LSTM:
rnn.cell_state = cell_in