SimpleRNN 层
SimpleRNN 类
tf_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,
**kwargs
)
输出反馈到输入的全连接 RNN。
有关 RNN API 用法的详细信息，请参阅TF-Keras RNN API 指南。
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: 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。 - 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。输入线性变换中要丢弃的单元的分数。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后的序列。
- 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。
调用参数
- inputs: 形状为
[batch, timesteps, feature]的 3D 张量。 - 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。此参数在调用单元时传递给单元。仅当使用
dropout或recurrent_dropout时才相关。 - initial_state: 要传递给单元第一次调用的初始状态张量的列表。
示例
inputs = np.random.random([32, 10, 8]).astype(np.float32)
simple_rnn = tf.keras.layers.SimpleRNN(4)
output = simple_rnn(inputs) # The output has shape `[32, 4]`.
simple_rnn = tf.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)