RNN
类tf_keras.layers.RNN(
cell,
return_sequences=False,
return_state=False,
go_backwards=False,
stateful=False,
unroll=False,
time_major=False,
**kwargs
)
循环层的基类。
有关 RNN API 用法的详细信息,请参阅TF-Keras RNN API 指南。
参数
call(input_at_t, states_at_t)
方法,返回 (output_at_t, states_at_t_plus_1)
。单元的 call 方法还可以接受可选参数 constants
,详见下文“关于传递外部常量的说明”部分。state_size
属性。它可以是一个单独的整数(单个状态),表示循环状态的大小。它也可以是一个整数列表/元组(每个状态一个大小)。state_size
还可以是 TensorShape 或 TensorShape 的元组/列表,用于表示高维状态。output_size
属性。它可以是一个单独的整数或 TensorShape,表示输出的形状。出于向后兼容性原因,如果单元没有此属性,其值将从 state_size
的第一个元素推断。get_initial_state(inputs=None, batch_size=None, dtype=None)
方法,如果用户没有通过其他方式指定任何初始状态,则此方法创建一个张量,用作 call()
的初始状态。返回的初始状态的形状应为 [batch_size, cell.state_size]
。单元可以选择创建全零张量,或根据单元实现创建其他值填充的张量。inputs
是 RNN 层的输入张量,其 shape[0] 应包含 batch 大小,并且还包含 dtype。请注意,在图构建期间 shape[0] 可能为 None
。提供了 inputs
或 batch_size
和 dtype
对。batch_size
是一个标量张量,表示输入的 batch 大小。dtype
是tf.DType
,表示输入的数据类型。为了向后兼容,如果单元未实现此方法,RNN 层将创建一个大小为 [batch_size, cell.state_size]
的全零张量。如果 cell
是 RNN 单元实例的列表,则这些单元将在 RNN 中彼此堆叠,从而形成高效的堆叠 RNN。False
)。是返回输出序列中的最后一个输出,还是返回完整序列。False
)。除了输出之外,是否返回最后一个状态。False
)。如果为 True,则反向处理输入序列并返回反转的序列。False
)。如果为 True,则 batch 中索引 i 处每个样本的最后一个状态将用作下一个 batch 中索引 i 处样本的初始状态。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,但往往会占用更多内存。展开仅适用于短序列。inputs
和 outputs
张量的形状格式。如果为 True,则输入和输出的形状为 (timesteps, batch, ...)
,否则为 (batch, timesteps, ...)
。使用 time_major = True
效率略高,因为它避免了 RNN 计算开始和结束时的转置。然而,大多数 TensorFlow 数据是 batch-major 形式,因此默认情况下,此函数接受 batch-major 形式的输入并发出 batch-major 形式的输出。False
)。是否应在被遮罩的时间步使用零作为输出。请注意,此字段仅在 return_sequences
为 True 并提供遮罩时使用。如果您想在不干扰被遮罩时间步的情况下重用 RNN 的原始输出序列(例如,合并双向 RNN),此字段非常有用。调用参数
[batch_size, timesteps]
的二进制张量,指示是否应对给定的时间步进行遮罩。单个 True
条目表示应使用相应的时间步,而 False
条目表示应忽略相应的时间步。输入形状
N-D 张量,形状为 [batch_size, timesteps, ...]
;当 time_major 为 True 时,形状为 [timesteps, batch_size, ...]
。
输出形状
return_state
为 True:一个张量列表。第一个张量是输出。其余张量是最后一个状态,每个张量的形状为 [batch_size, state_size]
,其中 state_size
可以是高维张量形状。return_sequences
为 True:N-D 张量,形状为 [batch_size, timesteps, output_size]
(其中 output_size
可以是高维张量形状);当 time_major
为 True 时,形状为 [timesteps, batch_size, output_size]
。[batch_size, output_size]
,其中 output_size
可以是高维张量形状。遮罩:此层支持对具有可变时间步数的输入数据进行遮罩。要将遮罩引入数据,请使用 mask_zero
参数设置为 True
的 [tf.keras.layers.Embedding] 层。
关于在 RNN 中使用有状态的说明:可以将 RNN 层设置为“有状态”,这意味着在一个 batch 中为样本计算的状态将作为下一个 batch 中样本的初始状态重复使用。这假设不同连续 batch 中的样本之间存在一对一的映射。
要启用有状态性: - 在层构造函数中指定 stateful=True
。 - 通过以下方式为模型指定固定的 batch size:如果是序贯模型:将 batch_input_shape=(...)
传递给模型的第一个层。对于具有 1 个或多个 Input 层的函数式模型:将 batch_shape=(...)
传递给模型的所有第一个层。这是输入(包括 batch size)的预期形状。它应该是一个整数元组,例如 (32, 10, 100)
。 - 调用 fit()
时指定 shuffle=False
。
要重置模型的状态,请在特定层或整个模型上调用 .reset_states()
。
关于指定 RNN 初始状态的说明:您可以通过在调用 RNN 层时使用关键字参数 initial_state
来符号化地指定其初始状态。initial_state
的值应为一个张量或张量列表,表示 RNN 层的初始状态。
您可以通过调用 reset_states
并使用关键字参数 states
来数值化地指定 RNN 层的初始状态。states
的值应为一个 numpy 数组或 numpy 数组列表,表示 RNN 层的初始状态。
关于将外部常量传递给 RNN 的说明:您可以使用 RNN.__call__
(以及 RNN.call
)方法的 constants
关键字参数将“外部”常量传递给单元。这要求 cell.call
方法接受相同的关键字参数 constants
。此类常量可用于根据额外的静态输入(不随时间变化)调整单元的变换,也称为注意力机制。
示例
from tf_keras.src.layers import RNN
from tf_keras.src import backend
# First, let's define a RNN Cell, as a layer subclass.
class MinimalRNNCell(keras.layers.Layer):
def __init__(self, units, **kwargs):
self.units = units
self.state_size = units
super(MinimalRNNCell, self).__init__(**kwargs)
def build(self, input_shape):
self.kernel = self.add_weight(shape=(input_shape[-1], self.units),
initializer='uniform',
name='kernel')
self.recurrent_kernel = self.add_weight(
shape=(self.units, self.units),
initializer='uniform',
name='recurrent_kernel')
super().build(input_shape)
def call(self, inputs, states):
prev_output = states[0]
h = backend.dot(inputs, self.kernel)
output = h + backend.dot(prev_output, self.recurrent_kernel)
return output, [output]
# Let's use this cell in a RNN layer:
cell = MinimalRNNCell(32)
x = keras.Input((None, 5))
layer = RNN(cell)
y = layer(x)
# Here's how to use the cell to build a stacked RNN:
cells = [MinimalRNNCell(32), MinimalRNNCell(64)]
x = keras.Input((None, 5))
layer = RNN(cells)
y = layer(x)