tf.keras.layers.LSTMCell

Класс ячейки для слоя LSTM.

Наследуется от: Layer

Просмотр псевдонимов

Псевдонимы для миграции

См. Руководство по миграции для получения дополнительной информации.

tf.compat.v1.keras.layers.LSTMCell

tf.keras.layers.LSTMCell(
    units, activation='tanh', recurrent_activation='hard_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, implementation=1, **kwargs
)

Аргументы
`units`	Положительное целое число, размерность выходного пространства.
`activation`	Функция активации для использования. По умолчанию: гиперболический тангенс (`tanh`). Если вы передадите `None`, активация не применяется (т. е. линейная активация: `a(x) = x`).
`recurrent_activation`	Функция активации для использования на рекуррентном шаге. По умолчанию: жёсткая сигмоида (`hard_sigmoid`). Если вы передадите `None`, активация не применяется (т. е. линейная активация: `a(x) = x`).
`use_bias`	Булево значение, указывает, использует ли слой вектор смещения.
`kernel_initializer`	Инициализатор для матрицы весов `kernel`, используемой для линейного преобразования входных данных.
`recurrent_initializer`	Инициализатор для матрицы весов `recurrent_kernel`, используемой для линейного преобразования рекуррентного состояния.
`bias_initializer`	Инициализатор для вектора смещения.
`unit_forget_bias`	Булево значение. Если True, к смещению забывающего входа при инициализации добавляется 1. Установка в true также заставит `bias_initializer="zeros"`. Это рекомендуется в Jozefowicz et al.
`kernel_regularizer`	Функция регуляризации, применяемая к матрице весов `kernel` .
`recurrent_regularizer`	Функция регуляризации, применяемая к матрице весов `recurrent_kernel` .
`bias_regularizer`	Функция регуляризации, применяемая к вектору смещения.
`kernel_constraint`	Функция ограничения, применяемая к матрице весов `kernel` .
`recurrent_constraint`	Функция ограничения, применяемая к матрице весов `recurrent_kernel` .
`bias_constraint`	Функция ограничения, применяемая к вектору смещения.
`dropout`	Вещественное число от 0 до 1. Доля единиц для отбрасывания при линейном преобразовании входных данных.
`recurrent_dropout`	Вещественное число от 0 до 1. Доля единиц для отбрасывания при линейном преобразовании рекуррентного состояния.
`implementation`	Режим реализации, либо 1, либо 2. Режим 1 будет структурировать свои операции как большее количество меньших скалярных произведений и сложений, в то время как режим 2 объединит их в меньшее количество больших операций. Эти режимы будут иметь разные профили производительности на различных аппаратных платформах и для различных приложений.

Аргументы вызова:

inputs: Двумерный тензор.
states: Список тензоров состояния, соответствующих предыдущему шагу во времени.
training: Булевое значение Python, указывающее, должен ли слой вести себя в режиме обучения или в режиме вывода. Релевантно только когда используется dropout или recurrent_dropout.

Методы

`get_dropout_mask_for_cell`

Просмотреть исходный код

get_dropout_mask_for_cell(
    inputs, training, count=1
)

Получить маску дропаута для входных данных ячейки RNN.

Она будет создавать маску на основе контекста, если нет существующей кэшированной маски. Если генерируется новая маска, она обновит кэш в ячейке.

Аргументы
`inputs`	тензор входных данных, форма которого будет использована для генерации маски дропаута.
`training`	булевый тензор, находится ли он в режиме обучения, дропаут игнорируется в режиме без обучения.
`count`	целое число, сколько масок дропаута будет сгенерировано. Это полезно для ячеек, у которых внутренние веса объединены вместе.

Возвращаемое значение
Список тензоров маски, сгенерированная или кэшированная маска на основе контекста.

`get_initial_state`

Просмотреть исходный код

get_initial_state(
    inputs=None, batch_size=None, dtype=None
)

`get_recurrent_dropout_mask_for_cell`

Просмотреть исходный код

get_recurrent_dropout_mask_for_cell(
    inputs, training, count=1
)

Получить маску рекуррентного дропаута для ячейки RNN.

Аргументы
`inputs`	тензор входных данных, форма которого будет использована для генерации маски дропаута.
`training`	булевый тензор, находится ли он в режиме обучения, дропаут игнорируется в режиме без обучения.
`count`	целое число, сколько масок дропаута будет сгенерировано. Это полезно для ячеек, у которых внутренние веса объединены вместе.

Возвращаемое значение
Список тензоров маски, сгенерированная или кэшированная маска на основе контекста.

`reset_dropout_mask`

Просмотреть исходный код

reset_dropout_mask()

Сбросить кэшированные маски дропаута, если таковые имеются.

Это важно для слоя RNN вызвать это в его методе call(), чтобы кэшированная маска была очищена перед вызовом cell.call(). Маска должна быть кэширована между шагами во времени в пределах одной партии, но не должна кэшироваться между партиями. В противном случае это введёт необоснованный перекос в отношении определённого индекса данных в партии.

`reset_recurrent_dropout_mask`

Просмотреть исходный код

reset_recurrent_dropout_mask()

Сбросить кэшированные маски рекуррентного дропаута, если таковые имеются.

© 2020 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 3.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/versions/r1.15/api_docs/python/tf/keras/layers/LSTMCell