LSTM 单元层

[源代码]

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 层的单元类。

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：双曲正切 (tanh)。如果传入 None，则不应用激活函数（即“线性”激活：a(x) = x）。
• recurrent_activation：用于循环步骤的激活函数。默认：sigmoid (sigmoid)。如果传入 None，则不应用激活函数（即“线性”激活：a(x) = x）。
• use_bias：布尔值（默认 True），表示该层是否应使用偏差向量。
• kernel_initializer：kernel 权重矩阵的初始化器，用于输入的线性变换。默认："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："orthogonal"。
• bias_initializer：偏差向量的初始化器。默认："zeros"。
• unit_forget_bias: 布尔值 (默认 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 还会强制 bias_initializer="zeros"。这在 Jozefowicz 等人的论文中推荐。
• kernel_regularizer：应用于 kernel 权重矩阵的正则化函数。默认：None。
• recurrent_regularizer：应用于 recurrent_kernel 权重矩阵的正则化函数。默认：None。
• bias_regularizer：应用于偏差向量的正则化函数。默认：None。
• kernel_constraint：应用于 kernel 权重矩阵的约束函数。默认：None。
• recurrent_constraint：应用于 recurrent_kernel 权重矩阵的约束函数。默认：None。
• bias_constraint：应用于偏差向量的约束函数。默认：None。
• dropout：介于 0 和 1 之间的浮点数。用于输入线性变换的单位丢弃比例。默认：0。
• recurrent_dropout：介于 0 和 1 之间的浮点数。用于循环状态线性变换的单位丢弃比例。默认：0。
• seed：丢弃层的随机种子。

调用参数

• inputs: 一个 2D 张量，形状为 (batch, features)。
• states：一个 2D 张量，形状为 (batch, units)，它是上一个时间步的状态。
• training：布尔值，指示该层是应在训练模式下运行还是在推理模式下运行。仅当使用 dropout 或 recurrent_dropout 时才相关。

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)