tf.keras.layers.LSTMCell

Класс ячейки для слоя LSTM.

Наследуется от: Layer, Operation

tf.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
)

Используется в ноутбуках

Используется в руководстве	Используется в обучающих материалах
Эффективный Tensorflow 2	Прогнозирование временных рядов

Этот класс обрабатывает один шаг входных данных во всей временной последовательности, в то время как keras.layer.LSTM обрабатывает всю последовательность.

Аргументы
`units`	Положительное целое число, размерность выходного пространства.
`activation`	Функция активации для использования. По умолчанию: гиперболический тангенс (`tanh`). Если передано значение None, активация не применяется (т.е. линейная активация: `a(x) = x`).
`recurrent_activation`	Функция активации для использования на рекуррентном шаге. По умолчанию: сигмоида (`sigmoid`). Если передано `None`, активация не применяется (т.е. линейная активация: `a(x) = x`).
`use_bias`	Булево значение (по умолчанию `True`), указывает, должен ли слой использовать вектор смещения.
`kernel_initializer`	Инициализатор матрицы весов `kernel`, используемой для линейного преобразования входных данных. По умолчанию: `"glorot_uniform"`.
`recurrent_initializer`	Инициализатор матрицы весов `recurrent_kernel`, используемой для линейного преобразования рекуррентного состояния. По умолчанию: `"orthogonal"`.
`bias_initializer`	Инициализатор вектора смещения. По умолчанию: `"zeros"`.
`unit_forget_bias`	Булево значение (по умолчанию `True`). Если `True`, добавляет 1 к смещению шлюза забывания при инициализации. Установка значения в `True` также принудительно устанавливает `bias_initializer="zeros"`. Это рекомендуется в Jozefowicz et al.
`kernel_regularizer`	Функция регуляризации, применяемая к матрице весов `kernel`. По умолчанию: `None`.
`recurrent_regularizer`	Функция регуляризации, применяемая к матрице весов `recurrent_kernel`. По умолчанию: `None`.
`bias_regularizer`	Функция регуляризации, применяемая к вектору смещения. По умолчанию: `None`.
`kernel_constraint`	Функция ограничения, применяемая к матрице весов `kernel`. По умолчанию: `None`.
`recurrent_constraint`	Функция ограничения, применяемая к матрице весов `recurrent_kernel`. По умолчанию: `None`.
`bias_constraint`	Функция ограничения, применяемая к вектору смещения. По умолчанию: `None`.
`dropout`	Вещественное число от 0 до 1. Доля единиц, которые необходимо отбросить для линейного преобразования входных данных. По умолчанию: 0.
`recurrent_dropout`	Вещественное число от 0 до 1. Доля единиц, которые необходимо отбросить для линейного преобразования рекуррентного состояния. По умолчанию: 0.
`seed`	Случайное семя для дропаута.

Аргументы вызова
`inputs`	2-мерный тензор, с формой `(batch, features)`.
`states`	2-мерный тензор с формой `(batch, units)`, который является состоянием с предыдущего шага во времени.
`training`	Булево значение Python, указывающее, должен ли слой работать в режиме обучения или в режиме вывода. Актуально только при использовании `dropout` или `recurrent_dropout`.

Пример:

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)

Атрибуты
`input`	Получает тензор(ы) входных данных для символической операции. Возвращает только тензор(ы), соответствующие первому вызову операции.
`output`	Получает тензор(ы) выходных данных слоя. Возвращает только тензор(ы), соответствующие первому вызову операции.

Методы

`from_config`

Посмотреть исходный код

@classmethod
from_config(
    config
)

Создает слой из его конфигурации.

Этот метод является обратным для get_config, способным создать тот же слой из словаря конфигурации. Он не обрабатывает соединение слоев (обрабатывается сетью), а также веса (обрабатываются set_weights).

Аргументы
`config`	Словарь Python, обычно выход get_config.

Возвращает
Экземпляр слоя.

`get_dropout_mask`

Посмотреть исходный код

get_dropout_mask(
    step_input
)

`get_initial_state`

Посмотреть исходный код

get_initial_state(
    batch_size=None
)

`get_recurrent_dropout_mask`

Посмотреть исходный код

get_recurrent_dropout_mask(
    step_input
)

`reset_dropout_mask`

Посмотреть исходный код

Сбросить кэшированную маску дропаута, если таковая имеется.

Слой RNN вызывает этот метод в методе call(), чтобы очистить кэшированную маску после вызова cell.call(). Маска должна кэшироваться на всех шагах времени в одной партии, но не должна кэшироваться между партиями.

`reset_recurrent_dropout_mask`

Посмотреть исходный код

reset_recurrent_dropout_mask()

`symbolic_call`

Посмотреть исходный код

symbolic_call(
    *args, **kwargs
)

© 2022 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 4.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/api_docs/python/tf/keras/layers/LSTMCell