tf.keras.layers.GRU

Управляемый рекуррентный блок (GRU) — Cho et al. 2014.

Наследуется от: RNN, Layer, Operation

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,
    seed=None,
    return_sequences=False,
    return_state=False,
    go_backwards=False,
    stateful=False,
    unroll=False,
    reset_after=True,
    use_cudnn='auto',
    **kwargs
)

Используется в блокнотах

В зависимости от доступного оборудования и ограничений во время выполнения, этот слой выберет разные реализации (на основе cuDNN или собственные) для максимальной производительности. Если доступен графический процессор и все аргументы слоя соответствуют требованиям ядра cuDNN (см. подробности ниже), слой будет использовать быструю реализацию cuDNN при использовании бэкенда TensorFlow.

Требования к использованию реализации cuDNN:

1. activation == tanh
2. recurrent_activation == sigmoid
3. dropout == 0 и recurrent_dropout == 0
4. unroll is False
5. use_bias is True
6. reset_after is True
7. Входы, если используется маскирование, строго заполняются справа.
8. Включение режима Eager execution в самом внешнем контексте.

Существует две разновидности реализации GRU. По умолчанию используется реализация, основанная на v3, где к скрытому состоянию применяется шлюз сброса перед умножением матриц. Другой вариант основан на оригинальной реализации с обратным порядком.

Второй вариант совместим с CuDNNGRU (только для GPU) и позволяет выполнять вывод на CPU. Поэтому он имеет отдельные смещения для kernel и recurrent_kernel. Чтобы использовать этот вариант, установите reset_after=True и recurrent_activation='sigmoid'.

Например:

inputs = np.random.random((32, 10, 8))
gru = keras.layers.GRU(4)
output = gru(inputs)
output.shape
(32, 4)
gru = keras.layers.GRU(4, return_sequences=True, return_state=True)
whole_sequence_output, final_state = gru(inputs)
whole_sequence_output.shape
(32, 10, 4)
final_state.shape
(32, 4)

Методы

from_config

Посмотреть исходный код

@classmethod
from_config(
    config
)

Создает слой из его конфигурации.

Этот метод является обратным get_config, способным создать тот же слой из словаря настроек. Он не обрабатывает подключение слоёв (обрабатывается Network), ни веса (обрабатываются set_weights).

get_initial_state

Посмотреть исходный код

get_initial_state(
    batch_size
)

inner_loop

Посмотреть исходный код

inner_loop(
    sequences, initial_state, mask, training=False
)

reset_state

Посмотреть исходный код

reset_state()

reset_states

Посмотреть исходный код

reset_states()

symbolic_call

Посмотреть исходный код

symbolic_call(
    *args, **kwargs
)