GRU 层

`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 等人 2014 年。

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 或后端原生实现）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，该层将使用快速的 cuDNN 实现。

使用 cuDNN 实现的要求是：

activation == tanh
recurrent_activation == sigmoid
dropout == 0 且 recurrent_dropout == 0
unroll 为 False
use_bias 为 True
reset_after 为 True
输入，如果使用掩码，则必须严格右填充。
Eager 执行在最外层上下文中启用。

GRU 实现有两种变体。默认的一种是基于 v3，并且在矩阵乘法之前将重置门应用于隐藏状态。另一种是基于原始，并且顺序相反。

第二种变体与 CuDNNGRU（仅限 GPU）兼容，并允许在 CPU 上进行推理。因此，它对 kernel 和 recurrent_kernel 有单独的偏置。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（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 True)，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: 应用于该层输出（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: 应用于偏置向量的约束函数。默认值：None。
dropout: 0 到 1 之间的浮点数。为输入的线性变换而丢弃的单元比例。默认值：0。
recurrent_dropout: 0 到 1 之间的浮点数。为循环状态的线性变换而丢弃的单元比例。默认值：0。
seed: 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。除了输出之外，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，则向后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 i 处每个样本的最后一个状态将用作后续批次中索引 i 处的样本的初始状态。
unroll: 布尔值（默认值：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。
reset_after: GRU 约定（是在矩阵乘法之后还是之前应用重置门）。False 是 "before"，True 是 "after"（默认值，且与 cuDNN 兼容）。
use_cudnn: 是否使用 cuDNN 支持的实现。"auto" 将尝试在可行时使用 cuDNN，如果不可行，则回退到默认实现。

调用参数

inputs: 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）。True 的单个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，指示该层应在训练模式下还是在推理模式下运行。此参数在调用单元时传递给单元。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

GRU 层

GRU 类

`GRU` 类