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条件，此层将选择不同的实现（基于 cuDNN 或后端原生）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
如果使用掩码，输入必须严格右填充。
在最外层上下文中启用了渴望执行。

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

第二个变体与 CuDNNGRU（仅 GPU）兼容，并允许在 CPU 上进行推理。因此，它对kernel和recurrent_kernel有单独的偏差。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，则不应用任何激活（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，则不应用任何激活（即“线性”激活：a(x) = x）。
use_bias：布尔值，（默认值 True），指示层是否应使用偏差向量。
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"。
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。输入线性变换中要丢弃的单元的分数。默认值：0。
recurrent_dropout：0 到 1 之间的浮点数。循环状态线性变换中要丢弃的单元的分数。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。是否除了输出之外还返回最后一个状态。默认值：False。
go_backwards：布尔值（默认值 False）。如果 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 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 处样本的初始状态。
unroll：布尔值（默认值：False）。如果 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（是否在矩阵乘法后或之前应用重置门）。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：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时间步长（可选）。单个 True 条目指示应使用相应的时间步长，而 False 条目指示应忽略相应的时间步长。默认为 None。
training：Python 布尔值，指示层应在训练模式下还是推理模式下运行。此参数在调用单元时传递给单元。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的列表（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