► Keras 2 API 文档 / 层 API / 循环层 / LSTM 层

LSTM 层

[源代码]

LSTM 类

tf_keras.layers.LSTM(
    units,
    activation="tanh",
    recurrent_activation="sigmoid",
    use_bias=True,
    kernel_initializer="glorot_uniform",
    recurrent_initializer="orthogonal",
    bias_initializer="zeros",
    unit_forget_bias=True,
    kernel_regularizer=None,
    recurrent_regularizer=None,
    bias_regularizer=None,
    activity_regularizer=None,
    kernel_constraint=None,
    recurrent_constraint=None,
    bias_constraint=None,
    dropout=0.0,
    recurrent_dropout=0.0,
    return_sequences=False,
    return_state=False,
    go_backwards=False,
    stateful=False,
    time_major=False,
    unroll=False,
    **kwargs
)

长短期记忆层 - Hochreiter 1997。

有关 RNN API 用法的详细信息，请参阅TF-Keras RNN API 指南。

根据可用的运行时硬件和约束，此层将选择不同的实现（基于 cuDNN 或纯 TensorFlow）以最大化性能。如果 GPU 可用并且层的所有参数都满足 cuDNN 内核的要求（有关详细信息，请参见下文），则该层将使用快速的 cuDNN 实现。

使用 cuDNN 实现的要求是

  1. activation == tanh
  2. recurrent_activation == sigmoid
  3. recurrent_dropout == 0
  4. unroll 为 False
  5. use_bias 为 True
  6. 输入，如果使用掩码，则严格右填充。
  7. 在最外层上下文中启用急切执行。

例如

>>> inputs = tf.random.normal([32, 10, 8])
>>> lstm = tf.keras.layers.LSTM(4)
>>> output = lstm(inputs)
>>> print(output.shape)
(32, 4)
>>> lstm = tf.keras.layers.LSTM(4, return_sequences=True, return_state=True)
>>> whole_seq_output, final_memory_state, final_carry_state = lstm(inputs)
>>> print(whole_seq_output.shape)
(32, 10, 4)
>>> print(final_memory_state.shape)
(32, 4)
>>> print(final_carry_state.shape)
(32, 4)

参数

  • units：正整数，输出空间的维度。
  • activation：要使用的激活函数。默认值：双曲正切 (tanh)。如果传递 None，则不应用激活（即“线性”激活：a(x) = x）。
  • recurrent_activation：用于循环步骤的激活函数。默认值：sigmoid (sigmoid)。如果传递 None，则不应用激活（即“线性”激活：a(x) = x）。
  • use_bias：布尔值（默认值为 True），指示层是否使用偏差向量。
  • kernel_initializer：kernel 权重矩阵的初始化器，用于输入的线性变换。默认值：glorot_uniform。
  • recurrent_initializer：recurrent_kernel 权重矩阵的初始化器，用于循环状态的线性变换。默认值：orthogonal。
  • bias_initializer：偏差向量的初始化器。默认值：zeros。
  • unit_forget_bias：布尔值（默认值为 True）。如果为 True，则在初始化时将 1 添加到遗忘门的偏差。将其设置为 true 还会强制 bias_initializer="zeros"。这在Jozefowicz 等人中推荐。
  • kernel_regularizer：应用于 kernel 权重矩阵的正则化函数。默认值：None。
  • recurrent_regularizer：应用于 recurrent_kernel 权重矩阵的正则化函数。默认值：None。
  • bias_regularizer：应用于偏差向量的正则化函数。默认值：None。
  • activity_regularizer：应用于层输出（其“激活”）的正则化函数。默认值：None。
  • kernel_constraint：应用于 kernel 权重矩阵的约束函数。默认值：None。
  • recurrent_constraint：应用于 recurrent_kernel 权重矩阵的约束函数。默认值：None。
  • bias_constraint：应用于偏差向量的约束函数。默认值：None。
  • dropout：0 到 1 之间的浮点数。输入线性变换要丢弃的单元的分数。默认值：0。
  • recurrent_dropout：0 到 1 之间的浮点数。循环状态线性变换要丢弃的单元的分数。默认值：0。
  • return_sequences：布尔值。是否返回输出序列中的最后一个输出，或返回完整序列。默认值：False。
  • return_state：布尔值。是否除了输出外还返回最后一个状态。默认值：False。
  • go_backwards：布尔值（默认值为 False）。如果为 True，则反向处理输入序列并返回反向序列。
  • stateful：布尔值（默认值为 False）。如果为 True，则批次中索引为 i 的每个样本的最后一个状态将用作后续批次中索引为 i 的样本的初始状态。
  • time_major：inputs 和 outputs 张量的形状格式。如果为 True，则输入和输出的形状将为 [timesteps, batch, feature]，而在 False 的情况下，它将为 [batch, timesteps, feature]。使用 time_major = True 效率更高，因为它避免了 RNN 计算开始和结束时的转置。但是，大多数 TensorFlow 数据都是批次优先的，因此默认情况下，此函数接受批次优先形式的输入并发出输出。
  • unroll：布尔值（默认值为 False）。如果为 True，则网络将展开，否则将使用符号循环。展开可以加快 RNN 的速度，尽管它往往更占用内存。展开仅适用于短序列。

调用参数

  • inputs：形状为 [batch, timesteps, feature] 的 3D 张量。
  • mask：形状为 [batch, timesteps] 的二元张量，指示是否应屏蔽给定的时间步长（可选）。单个 True 条目表示应使用对应的时间步长，而 False 条目表示应忽略对应的时间步长。默认为 None。
  • training：Python 布尔值，指示层应该以训练模式还是推理模式运行。在调用单元时将此参数传递给单元。这仅在使用 dropout 或 recurrent_dropout 时才相关（可选）。默认为 None。
  • initial_state：要传递给单元第一次调用的初始状态张量列表（可选，None 会导致创建零填充的初始状态张量）。默认为 None。
LSTM 层
LSTM 类