LSTM cell 层

[源]

LSTMCell 类

keras.layers.LSTMCell(
    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,
    kernel_constraint=None,
    recurrent_constraint=None,
    bias_constraint=None,
    dropout=0.0,
    recurrent_dropout=0.0,
    seed=None,
    **kwargs
)

LSTM 层的 cell 类。

此类处理整个时间序列输入中的一步，而 keras.layer.LSTM 处理整个序列。

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。默认值：Sigmoid (sigmoid)。如果传入 None，则不应用激活函数（即：“线性”激活函数：a(x) = x）。
• use_bias: 布尔值，(默认值 True)，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"。
• unit_forget_bias: 布尔值 (默认值 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 还会强制将 bias_initializer 设置为 "zeros"。Jozefowicz 等人的论文中推荐此做法。
• 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。
• 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。用于输入的线性变换中要丢弃的单元比例。默认值：0。
• recurrent_dropout: 介于 0 和 1 之间的浮点数。用于循环状态的线性变换中要丢弃的单元比例。默认值：0。
• seed: 用于 dropout 的随机种子。

调用参数

• inputs: 2D 张量，形状为 (batch, features)。
• states: 形状为 (batch, units) 的 2D 张量，即前一时间步的状态。
• training: Python 布尔值，指示层应在训练模式还是推理模式下运行。仅在使用 dropout 或 recurrent_dropout 时相关。

示例

>>> inputs = np.random.random((32, 10, 8))
>>> rnn = keras.layers.RNN(keras.layers.LSTMCell(4))
>>> output = rnn(inputs)
>>> output.shape
(32, 4)
>>> rnn = keras.layers.RNN(
...    keras.layers.LSTMCell(4),
...    return_sequences=True,
...    return_state=True)
>>> whole_sequence_output, final_state = rnn(inputs)
>>> whole_sequence_output.shape
(32, 10, 4)
>>> final_state.shape
(32, 4)