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，此层将选择不同的实现（基于 cuDNN 或后端本地）以最大限度地提高性能。如果存在 GPU，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，层将使用快速 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
输入（如果使用掩码）严格右填充。
在最外层上下文中启用急切执行。

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，输出空间的维数。
activation: 要使用的激活函数。默认值：双曲正切 (tanh)。如果您传递 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)。如果您传递 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），层是否应使用偏置向量。
kernel_initializer: 用于输入线性变换的 kernel 权重矩阵的初始化器。默认值："glorot_uniform"。
recurrent_initializer: 用于循环状态线性变换的 recurrent_kernel 权重矩阵的初始化器。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（默认值 True）。如果为 True，则在初始化时将 1 添加到遗忘门的偏置。将其设置为 True 还将强制 bias_initializer="zeros"。这在 Jozefowicz 等人中推荐。
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（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。输入线性变换要丢弃的单位分数。默认值：0。
recurrent_dropout: 0 到 1 之间的浮点数。循环状态线性变换要丢弃的单位分数。默认值：0。
seed: 丢弃的随机种子。
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。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转的序列。
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 处样本的初始状态。
unroll: 布尔值（默认值 False）。如果为 True，则网络将被展开，否则将使用符号循环。展开可以加快 RNN 的速度，尽管它往往会占用更多内存。展开只适用于短序列。
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，则将回退到默认实现。

调用参数

inputs: 形状为 (batch, timesteps, feature) 的 3D 张量。
mask: 形状为 (samples, timesteps) 的二元张量，指示是否应屏蔽给定时间步（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，指示层应在训练模式下运行还是在推理模式下运行。此参数在调用单元格时传递给单元格。这仅在使用 dropout 或 recurrent_dropout 时才相关（可选）。默认为 None。
initial_state: 要传递给单元格第一次调用的初始状态张量列表（可选，None 将导致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