► Keras 3 API 文档 / 层 API / 循环层 / GRU 层

GRU 层

[源代码]

GRU 类

keras.layers.GRU(
    units,
    activation="tanh",
    recurrent_activation="sigmoid",
    use_bias=True,
    kernel_initializer="glorot_uniform",
    recurrent_initializer="orthogonal",
    bias_initializer="zeros",
    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,
    unroll=False,
    reset_after=True,
    use_cudnn="auto",
    **kwargs
)

门控循环单元 - Cho et al. 2014。

基于可用的运行时硬件和约束，此层将选择不同的实现方式（基于 cuDNN 或后端原生）以最大化性能。如果 GPU 可用，并且该层的所有参数都满足 cuDNN 内核的要求（详见下文），则在使用 TensorFlow 后端时，该层将使用快速 cuDNN 实现。

使用 cuDNN 实现的要求如下：

  1. activation == tanh
  2. recurrent_activation == sigmoid
  3. recurrent_dropout == 0
  4. unroll 为 False
  5. use_bias 为 True
  6. reset_after 为 True
  7. 输入，如果使用 masking，则必须严格进行右侧填充。
  8. 在最外层上下文中启用了 Eager Execution。

GRU 实现有两种变体。默认变体基于 v3，并在矩阵乘法之前将重置门应用于隐藏状态。另一个变体基于 原始版本，并且顺序相反。

第二种变体与 CuDNNGRU（仅 GPU）兼容，并允许在 CPU 上进行推理。因此，它为 kernel 和 recurrent_kernel 设置了单独的偏置。要使用此变体，请设置 reset_after=True 和 recurrent_activation='sigmoid'。

例如

>>> inputs = np.random.random((32, 10, 8))
>>> gru = keras.layers.GRU(4)
>>> output = gru(inputs)
>>> output.shape
(32, 4)
>>> gru = keras.layers.GRU(4, return_sequences=True, return_state=True)
>>> whole_sequence_output, final_state = gru(inputs)
>>> whole_sequence_output.shape
(32, 10, 4)
>>> final_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，则不应用激活函数（即“线性”激活函数：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，则不应用激活函数（即“线性”激活函数：a(x) = x）。
  • use_bias：布尔值，（默认为 True），表示该层是否应使用偏置向量。
  • kernel_initializer：kernel 权重矩阵的初始化器，用于输入的线性变换。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：偏置向量的初始化器。默认值："zeros"。
  • 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：应用于偏置向量的正则化函数。默认值：None。
  • activity_regularizer：应用于层输出（即其“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：应用于偏置向量的约束函数。默认值：None。
  • dropout：介于 0 和 1 之间的浮点数。输入线性变换中要丢弃的单元的比例。默认值：0。
  • recurrent_dropout：介于 0 和 1 之间的浮点数。循环状态线性变换中要丢弃的单元的比例。默认值：0。
  • seed：dropout 的随机种子。
  • return_sequences：布尔值。指示是返回输出序列中的最后一个输出，还是返回完整序列。默认值：False。
  • return_state：布尔值。指示是否在输出之外返回最后一个状态。默认值：False。
  • go_backwards：布尔值（默认为 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（默认为 False）。如果为 True，则批次中索引 i 处每个样本的最后一个状态将用作后续批次中索引 i 的样本的初始状态。
  • unroll：布尔值（默认为 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，但它往往会占用更多内存。展开仅适用于短序列。
  • reset_after：GRU 约定（指示是在矩阵乘法之后还是之前应用重置门）。False 为 "before"，True 为 "after"（默认值，且与 cuDNN 兼容）。
  • use_cudnn：是否使用 cuDNN 支持的实现。"auto" 将在可行时尝试使用 cuDNN，如果不可行，则回退到默认实现。

调用参数

  • inputs：一个 3D 张量，形状为 (batch, timesteps, feature)。
  • mask：形状为 (samples, timesteps) 的二进制张量，指示是否应屏蔽给定的时间步（可选）。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。默认为 None。
  • training：Python 布尔值，指示该层应以训练模式还是推理模式运行。此参数在调用单元格时传递给单元格。仅当使用 dropout 或 recurrent_dropout 时才相关（可选）。默认为 None。
  • initial_state：要传递给单元格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。
GRU 层
GRU 类