► Keras 3 API 文档 / Layers API / 循环 Layer / LSTM layer

LSTM 层

`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
)

长短期记忆层 - Hochreiter 1997。

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 可用且该层的参数均满足 cuDNN kernel 的要求（详情请参见下文），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
recurrent_dropout 为 0 == 0
unroll 为 False
use_bias 为 True
输入（如果使用掩码）严格进行右填充。
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）。如果传入 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：sigmoid (sigmoid)。如果传入 None，则不应用激活函数（即“线性”激活：a(x) = x）。
use_bias：布尔值（默认 True），表示该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："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："orthogonal"。
bias_initializer：偏差向量的初始化器。默认："zeros"。
unit_forget_bias：布尔值（默认 True）。如果为 True，则在初始化时向遗忘门（forget gate）的偏置（bias）加 1。将其设置为 True 也会强制 bias_initializer="zeros"。这在 Jozefowicz 等人的研究中被推荐。
kernel_regularizer：应用于 kernel 权重矩阵的正则化函数。默认：None。
recurrent_regularizer：应用于 recurrent_kernel 权重矩阵的正则化函数。默认：None。
bias_regularizer：应用于偏差向量的正则化函数。默认：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：None。
recurrent_constraint：应用于 recurrent_kernel 权重矩阵的约束函数。默认：None。
bias_constraint：应用于偏差向量的约束函数。默认：None。
dropout：介于 0 和 1 之间的浮点数。用于输入线性变换的单位丢弃比例。默认：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位丢弃比例。默认：0。
seed：丢弃层的随机种子。
return_sequences：布尔值。是否返回输出序列中的最后一个输出，还是返回整个序列。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，则反向处理输入序列并返回反向序列。
stateful：布尔值（默认：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个批次中索引为 i 的样本的初始状态。
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，但它通常会消耗更多内存。展开仅适用于短序列。
use_cudnn：是否使用基于 cuDNN 的实现。"auto" 将尝试在可行时使用 cuDNN，并在不可行时回退到默认实现。

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，指示是否应屏蔽某个时间步（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：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 cell 时传递给 cell。仅在使用了 dropout 或 recurrent_dropout 时才相关（可选）。默认为 None。
initial_state：初始状态张量列表，在第一次调用单元时传递（可选，None 会创建零填充的初始状态张量）。默认为 None。

LSTM 层

LSTM 类

LSTM 层

LSTM 类

`LSTM` 类