LSTM 单元层
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个步骤，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)。如果传递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。默认值：sigmoid (
sigmoid)。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
True），指示图层是否应使用偏置向量。 - kernel_initializer: 内核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: 循环内核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
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也会强制bias_initializer="zeros"。建议在 Jozefowicz et al. 中使用。 - kernel_regularizer: 应用于内核权重矩阵的正则化函数。默认值：
None。 - recurrent_regularizer: 应用于循环内核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: 应用于内核权重矩阵的约束函数。默认值：
None。 - recurrent_constraint: 应用于循环内核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。输入线性变换的单元丢弃比例。默认值：0。
- recurrent_dropout: 介于 0 和 1 之间的浮点数。循环状态线性变换的单元丢弃比例。默认值：0。
- seed: dropout 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)，它是来自上一个时间步的状态。 - training: Python 布尔值，指示图层应在训练模式还是推理模式下运行。仅当使用
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)