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 блокнотах

Используется в руководстве	Используется в учебных материалах
Эффективный TensorFlow 2	Прогнозирование временных рядов

Этот класс обрабатывает один шаг входной последовательности, тогда как keras.layer.LSTM обрабатывает всю последовательность.

Аргументы
`units`	Положительное целое число, размерность пространства выходных данных.
`activation`	Используемая функция активации. По умолчанию: гиперболический тангенс (`tanh`). Если передать None, активация не применяется (то есть используется линейная активация: `a(x) = x`).
`recurrent_activation`	Функция активации для рекуррентного шага. По умолчанию: сигмоида (`sigmoid`). Если передать `None`, активация не применяется (то есть используется линейная активация: `a(x) = x`).
`use_bias`	Логическое значение (по умолчанию `True`), указывающее, 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`	Логическое значение (по умолчанию `True`). Если значение равно `True`, при инициализации к смещению вектора забывания добавляется 1. Установка значения `True` также принудительно включает `bias_initializer="zeros"`. Это рекомендовано в работе Jozefowicz и др.
`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`	Число с плавающей запятой от 0 до 1. Доля блоков, исключаемых при линейном преобразовании входных данных. По умолчанию: 0.
`recurrent_dropout`	Число с плавающей запятой от 0 до 1. Доля блоков, исключаемых при линейном преобразовании рекуррентного состояния. По умолчанию: 0.
`seed`	Начальное значение генератора случайных чисел для dropout.

Аргументы вызова
`inputs`	Двумерный тензор формы `(batch, features)`.
`states`	Двумерный тензор формы `(batch, units)`, представляющий состояние на предыдущем временном шаге.
`training`	Логическое значение Python, указывающее, должен ли слой работать в режиме обучения или в режиме вывода. Имеет значение 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`	Возвращает входные тензоры символьной операции. Возвращает только тензоры, соответствующие первому вызову операции.
`output`	Возвращает выходные тензоры слоя. Возвращает только тензоры, соответствующие первому вызову операции.

Методы

`from_config`

Посмотреть исходный код

@classmethod
from_config(
    config
)

Создает слой на основе его конфигурации.

Этот метод является обратным по отношению к get_config и позволяет создать экземпляр того же слоя на основе словаря конфигурации. Он не обрабатывает связи между слоями (это делает Network) и веса (это делает set_weights).

Аргументы
`config`	Словарь Python, обычно являющийся результатом вызова 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

reset_dropout_mask()

Сбрасывает сохраненную маску dropout, если она есть.

Слой RNN вызывает этот метод в методе call(), чтобы очистить сохраненную маску после вызова cell.call(). Маска должна сохраняться на всех временных шагах в рамках одного пакета, но не должна сохраняться между пакетами.

`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