SimpleRNN 层

[源代码]

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：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）。
• use_bias: 布尔值（默认 True），表示该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："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"。
• 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。
• 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：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。
• return_sequences：布尔值。是否返回输出序列中的最后一个输出，还是返回整个序列。默认值：False。
• return_state：布尔值。除了输出之外，是否返回最后一个状态。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向序列。
• stateful: 布尔值（默认：False）。如果为 True，则批次中索引 i 处每个样本的最后一个状态将用作下一个批次中索引 i 处样本的初始状态。
• unroll: 布尔值（默认：False）。如果为 True，网络将展开，否则将使用符号循环。展开可以加速 RNN，但往往会占用更多内存。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，指示是否应掩码给定时间步。单个 True 条目表示应利用相应的时间步，而 False 条目表示应忽略相应的时间步。
• training: Python 布尔值，指示该层应在训练模式还是推理模式下运行。此参数在调用单元时传递给单元。这仅在使用 dropout 或 recurrent_dropout 时相关。
• initial_state：要传递给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)