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

LSTM 层

[源代码]

LSTM 类

keras.layers.LSTM(
    units,
    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,
    unroll=False,
    use_cudnn="auto",
    **kwargs
)

长短期记忆 (Long Short-Term Memory) 层 - Hochreiter 1997。

根据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 实现的要求是

  1. activation == tanh
  2. recurrent_activation == sigmoid
  3. recurrent_dropout == 0
  4. unroll 为 False
  5. use_bias 为 True
  6. 输入（如果使用掩码）必须严格地进行右侧填充。
  7. 在最外层上下文中启用 Eager execution。

例如

>>> inputs = np.random.random((32, 10, 8))
>>> lstm = keras.layers.LSTM(4)
>>> output = lstm(inputs)
>>> output.shape
(32, 4)
>>> lstm = keras.layers.LSTM(
...     4, return_sequences=True, return_state=True)
>>> whole_seq_output, final_memory_state, final_carry_state = lstm(inputs)
>>> whole_seq_output.shape
(32, 10, 4)
>>> final_memory_state.shape
(32, 4)
>>> final_carry_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 True)，指示该层是否应使用偏置向量。
  • kernel_initializer：用于 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：用于 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"。
  • unit_forget_bias：布尔值 (默认 True)。如果为 True，则在初始化时向遗忘门的偏置添加 1。将其设置为 True 也会强制 bias_initializer="zeros"。建议在 Jozefowicz et al. 中使用。
  • 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：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。默认值：0。
  • 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。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，还是完整序列。默认值：False。
  • return_state：布尔值。指示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 i 处每个样本的最后一个状态将用作以下批次中索引 i 处样本的初始状态。
  • unroll：布尔值 (默认 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，尽管它往往更占用内存。展开仅适用于短序列。
  • 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) 的二元张量，指示是否应掩盖给定的时间步（可选）。True 条目表示应使用对应的时间步，而 False 条目表示应忽略对应的时间步。默认为 None。
  • training：Python 布尔值，指示该层应在训练模式还是推理模式下运行。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：要传递给单元首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。
LSTM 层
LSTM 类