tf.keras.layers.Masking

Маскирует последовательность, используя значение маски для пропуска временных шагов.

Наследует от: Layer, Operation

tf.keras.layers.Masking(
    mask_value=0.0, **kwargs
)

Для каждого временного шага во входном тензоре (измерение #1 тензора), если все значения входного тензора на этом временном шаге равны mask_value, этот временной шаг будет замаскирован (пропущен) во всех последующих слоях (если они поддерживают маскирование).

Если какой-либо последующий слой ещё не поддерживает маскирование, но получает такую входную маску, будет вызвано исключение.

Пример:

Рассмотрим массив данных NumPy x формы (samples, timesteps, features), который нужно передать слою LSTM. Требуется замаскировать временные шаги #3 и #5, поскольку для них нет данных. Можно:

• Задать x[:, 3, :] = 0. и x[:, 5, :] = 0.
• Добавить слой Masking с mask_value=0. перед слоем LSTM:

samples, timesteps, features = 32, 10, 8
inputs = np.random.random([samples, timesteps, features]).astype(np.float32)
inputs[:, 3, :] = 0.
inputs[:, 5, :] = 0.

model = keras.models.Sequential()
model.add(keras.layers.Masking(mask_value=0.)
model.add(keras.layers.LSTM(32))
output = model(inputs)
# The time step 3 and 5 will be skipped from LSTM calculation.

Примечание: согласно соглашению Keras о маскировании, замаскированный временной шаг обозначается значением маски False, а незамаскированный (то есть пригодный для использования) временной шаг — значением маски True.

Методы

from_config

Посмотреть исходный код

@classmethod
from_config(
    config
)

Создаёт слой на основе его конфигурации.

Этот метод является обратным для get_config и позволяет создать такой же слой из словаря конфигурации. Он не обрабатывает связи слоёв (это делает Network) и веса (это делает set_weights).

symbolic_call

Посмотреть исходный код

symbolic_call(
    *args, **kwargs
)