SimpleRNN 层
SimpleRNN 类
keras.layers.SimpleRNN(
units,
activation="tanh",
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,
return_sequences=False,
return_state=False,
go_backwards=False,
stateful=False,
unroll=False,
seed=None,
**kwargs
)
全连接 RNN，其中输出将作为新的输入反馈。
参数
- units: 正整数，输出空间的维度。
- activation: 使用的激活函数。默认值：双曲正切 (
tanh)。如果传递 None，则不应用激活函数（即“线性”激活：a(x) = x）。 - use_bias: 布尔值，（默认值
True），指示层是否使用偏置向量。 - 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"。 - 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 之间的小数。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 之间的小数。循环状态线性变换中要丢弃的单元的分数。默认值：0。
- return_sequences: 布尔值。是否返回输出序列中的最后一个输出，或返回整个序列。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True，则反向处理输入序列并返回反转后的序列。 - stateful: 布尔值（默认值：
False）。如果True，则批次中索引为 i 的每个样本的最后一个状态将用作后续批次中索引为 i 的样本的初始状态。 - unroll: 布尔值（默认值：
False）。如果True，则网络将被展开，否则将使用符号循环。展开可以加速 RNN，尽管它往往会更占用内存。展开仅适用于短序列。
调用参数
- sequence: 一个 3D 张量，形状为
[batch, timesteps, feature]。 - mask: 形状为
[batch, timesteps]的二元张量，指示是否应屏蔽给定的时间步长。单个True条目表示应使用对应的时间步长，而False条目表示应忽略对应的时间步长。 - training: Python 布尔值，指示层应以训练模式还是推理模式运行。调用单元时会将此参数传递给单元。仅当使用
dropout或recurrent_dropout时才相关。 - initial_state: 要传递到单元第一次调用的初始状态张量列表。
示例
inputs = np.random.random((32, 10, 8))
simple_rnn = keras.layers.SimpleRNN(4)
output = simple_rnn(inputs) # The output has shape `(32, 4)`.
simple_rnn = keras.layers.SimpleRNN(
4, return_sequences=True, return_state=True
)
# whole_sequence_output has shape `(32, 10, 4)`.
# final_state has shape `(32, 4)`.
whole_sequence_output, final_state = simple_rnn(inputs)