ConvLSTM2D 层

[源]

ConvLSTM2D 类

keras.layers.ConvLSTM2D(
    filters,
    kernel_size,
    strides=1,
    padding="valid",
    data_format=None,
    dilation_rate=1,
    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,
    seed=None,
    return_sequences=False,
    return_state=False,
    go_backwards=False,
    stateful=False,
    **kwargs
)

二维卷积 LSTM。

与 LSTM 层类似，但输入变换和循环变换都是卷积形式。

参数

• filters: int，输出空间的维度（卷积核的数量）。
• kernel_size: int 或包含 2 个整数的元组/列表，指定卷积窗口的大小。
• strides: int 或包含 2 个整数的元组/列表，指定卷积的步长。strides > 1 与 dilation_rate > 1 不兼容。
• padding: string，"valid" 或 "same"（不区分大小写）。"valid" 表示无填充。"same" 表示在输入的左/右或上/下均匀填充，使输出与输入具有相同的⾼度/宽度维度。
• data_format: string，可以是 "channels_last" 或 "channels_first"。输入的维度顺序。"channels_last" 对应形状为 (batch, steps, features) 的输入，而 "channels_first" 对应形状为 (batch, features, steps) 的输入。默认为 Keras 配置文件 ~/.keras/keras.json 中的 image_data_format 值。如果从未设置，则默认为 "channels_last"。
• dilation_rate: int 或包含 2 个整数的元组/列表，指定用于扩张卷积的扩张率。
• activation: 要使用的激活函数。默认应用双曲正切激活函数 (tanh(x))。
• recurrent_activation: 用于循环步的激活函数。
• use_bias: 布尔值，表示层是否使用偏置向量。
• kernel_initializer: kernel 权重矩阵的初始化器，用于输入的线性变换。
• recurrent_initializer: recurrent_kernel 权重矩阵的初始化器，用于循环状态的线性变换。
• bias_initializer: 偏置向量的初始化器。
• unit_forget_bias: 布尔值。如果为 True，则在初始化时将遗忘门的偏置加 1。与 bias_initializer="zeros" 结合使用。这在 Jozefowicz 等人，2015 中被推荐使用。
• kernel_regularizer: 应用于 kernel 权重矩阵的正则化函数。
• recurrent_regularizer: 应用于 recurrent_kernel 权重矩阵的正则化函数。
• bias_regularizer: 应用于偏置向量的正则化函数。
• activity_regularizer: 应用于层输出的正则化函数。
• kernel_constraint: 应用于 kernel 权重矩阵的约束函数。
• recurrent_constraint: 应用于 recurrent_kernel 权重矩阵的约束函数。
• bias_constraint: 应用于偏置向量的约束函数。
• dropout: 介于 0 和 1 之间的浮点数。用于输入线性变换的单元丢弃比例。
• recurrent_dropout: 介于 0 和 1 之间的浮点数。用于循环状态线性变换的单元丢弃比例。
• seed: 用于 dropout 的随机种子。
• 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。除了输出外，是否返回最后一个状态。默认值: False。
• go_backwards: 布尔值（默认值: 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 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下一批次中索引为 i 的样本的初始状态。
• unroll: 布尔值（默认值: False）。如果为 True，则网络将被展开，否则将使用符号循环。展开可以加速 RNN，但往往会占用更多内存。展开只适用于短序列。

调用参数

• inputs: 一个 5D 张量。
• mask: 形状为 (samples, timesteps) 的二进制张量，指示是否应该屏蔽给定的时间步。
• training: Python 布尔值，指示层应在训练模式还是推断模式下运行。这仅在设置了 dropout 或 recurrent_dropout 时相关。
• initial_state: 要传递给单元格第一次调用的初始状态张量列表。

输入形状

• 如果 data_format='channels_first': 5D 张量，形状为: (samples, time, channels, rows, cols)
• 如果 data_format='channels_last': 5D 张量，形状为: (samples, time, rows, cols, channels)

输出形状

• 如果 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，每个状态都是 4D 张量，如果 data_format='channels_first'，形状为: (samples, filters, new_rows, new_cols)，如果 data_format='channels_last'，形状为: (samples, new_rows, new_cols, filters)。由于填充，rows 和 cols 的值可能已改变。
• 如果 return_sequences 为 True: 5D 张量，如果 data_format='channels_first'，形状为: (samples, timesteps, filters, new_rows, new_cols)，如果 data_format='channels_last'，形状为: (samples, timesteps, new_rows, new_cols, filters)。
• 否则，4D 张量，如果 data_format='channels_first'，形状为: (samples, filters, new_rows, new_cols)，如果 data_format='channels_last'，形状为: (samples, new_rows, new_cols, filters)。

参考文献

• Shi 等人，2015（当前实现不包含细胞输出上的反馈回路）。