GRU 层

`GRU` 类

tf_keras.layers.GRU(
    units,
    activation="tanh",
    recurrent_activation="sigmoid",
    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,
    time_major=False,
    reset_after=True,
    **kwargs
)

门控循环单元 - Cho 等人 2014。

有关 RNN API 用法的详细信息，请参阅TF-Keras RNN API 指南。

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 或纯 TensorFlow）以最大化性能。如果 GPU 可用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 == 0
unroll 为 False
use_bias 为 True
reset_after 为 True
输入，如果使用掩码，则严格右填充。
在最外层上下文中启用了 Eager 执行。

GRU 实现有两种变体。默认值基于v3，并在矩阵乘法之前将重置门应用于隐藏状态。另一个基于原始版本，顺序相反。

第二个变体与 CuDNNGRU（仅限 GPU）兼容，并允许在 CPU 上进行推理。因此，它对kernel和recurrent_kernel具有单独的偏差。要使用此变体，请设置reset_after=True和recurrent_activation='sigmoid'。

例如

>>> inputs = tf.random.normal([32, 10, 8])
>>> gru = tf.keras.layers.GRU(4)
>>> output = gru(inputs)
>>> print(output.shape)
(32, 4)
>>> gru = tf.keras.layers.GRU(4, return_sequences=True, return_state=True)
>>> whole_sequence_output, final_state = gru(inputs)
>>> print(whole_sequence_output.shape)
(32, 10, 4)
>>> print(final_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：偏差向量的初始化器。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：应用于偏差向量的正则化函数。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：应用于偏差向量的约束函数。默认值：None。
dropout：0 到 1 之间的值。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 之间的值。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，或返回完整的序列。默认值：False。
return_state：布尔值。是否除了输出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，则向后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 处的每个样本的最后一个状态将用作后续批次中索引 i 处的样本的初始状态。
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，尽管它往往更占用内存。展开仅适用于短序列。
time_major：inputs和outputs张量的形状格式。如果为 True，则输入和输出的形状为[timesteps, batch, feature]，而在 False 的情况下，则为[batch, timesteps, feature]。使用time_major = True效率更高，因为它避免了 RNN 计算开始和结束时的转置。但是，大多数 TensorFlow 数据都是批次优先的，因此默认情况下，此函数接受批次优先形式的输入并发出输出。
reset_after：GRU 约定（是否在矩阵乘法后或之前应用重置门）。False =“before”，True =“after”（默认值且与 cuDNN 兼容）。

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，指示是否应该屏蔽给定的时间步长（可选）。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。默认为None。
training：Python 布尔值，指示层应该处于训练模式还是推理模式。调用单元时，此参数将传递给单元。这仅在使用dropout或recurrent_dropout时才相关（可选）。默认为None。
initial_state：要传递给单元第一次调用的初始状态张量的列表（可选，None会导致创建零填充的初始状态张量）。默认为None。

GRU 层

GRU 类

GRU 层

GRU 类

`GRU` 类