tf.compat.v1.keras.layers.GRUCell

Класс ячейки для слоя GRU.

Наследуется от: Layer

tf.compat.v1.keras.layers.GRUCell(
    units, activation='tanh', recurrent_activation='hard_sigmoid', use_bias=True,
    kernel_initializer='glorot_uniform', recurrent_initializer='orthogonal',
    bias_initializer='zeros', 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,
    reset_after=False, **kwargs
)

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. применяется линейная активация: `a(x) = x`).
`recurrent_activation`	Функция активации для использования на рекуррентном шаге. По умолчанию: жёсткий сигмоид (`hard_sigmoid`). Если передано значение `None`, активация не применяется (т.е. применяется линейная активация: `a(x) = x`).
`use_bias`	Булево значение, использует ли слой вектор смещения.
`kernel_initializer`	Инициализатор матрицы весов `kernel`, используемой для линейного преобразования входных данных.
`recurrent_initializer`	Инициализатор матрицы весов `recurrent_kernel`, используемой для линейного преобразования рекуррентного состояния.
`bias_initializer`	Инициализатор вектора смещения.
`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 дропаута при линейном преобразовании входных данных.
`recurrent_dropout`	Вещественное число от 0 до 1. Доля единиц для дропаута при линейном преобразовании рекуррентного состояния.
`implementation`	Режим реализации, либо 1, либо 2. Режим 1 будет структурировать операции как большее число меньших операций умножения матриц и сложения, тогда как режим 2 будет группировать их в меньшее число больших операций. Эти режимы будут иметь разные характеристики производительности на разных аппаратных платформах и для разных применений.
`reset_after`	Конвенция GRU (применять ли ворота сброса после или до умножения матриц). False = "перед" (по умолчанию), True = "после" (совместимо с CuDNN).

Аргументы вызова:

inputs: 2-мерный тензор.
states: Список тензоров состояния, соответствующих предыдущему шагу времени.
training: Булево значение Python, указывающее, должен ли слой работать в режиме обучения или в режиме вывода. Актуально только тогда, 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.

Создаст маску на основе контекста, если не существует кэшированной маски. Если генерируется новая маска, она будет обновлять кэш в ячейке.

Аргументы
`inputs`	Входной тензор, форма которого будет использована для генерации маски дропаута.
`training`	Булевой тензор, находится ли он в режиме обучения, дропаут игнорируется в режиме, не являющимся режимом обучения.
`count`	Целое число, сколько масок дропаута будет сгенерировано. Это полезно для ячеек, у которых внутренние веса объединены вместе.

Возвращаемые значения
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`	Входной тензор, форма которого будет использована для генерации маски дропаута.
`training`	Булевой тензор, находится ли он в режиме обучения, дропаут игнорируется в режиме, не являющимся режимом обучения.
`count`	Целое число, сколько масок дропаута будет сгенерировано. Это полезно для ячеек, у которых внутренние веса объединены вместе.

Возвращаемые значения
Список тензоров маски, сгенерированная или кэшированная маска на основе контекста.

`reset_dropout_mask`

Просмотреть исходный код

reset_dropout_mask()

Сбросить кэшированные маски дропаута, если они есть.

Это важно для слоя RNN вызывать это в его методе call(), чтобы кэшированная маска очищалась перед вызовом cell.call(). Маска должна кэшироваться на шаге времени в рамках одной партии, но не должна кэшироваться между партиями. В противном случае это введёт необоснованный уклон в отношении определённого индекса данных в рамках партии.

`reset_recurrent_dropout_mask`

Просмотреть исходный код

reset_recurrent_dropout_mask()

Сбросить кэшированные маски рекуррентного дропаута, если они есть.

© 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/r2.3/api_docs/python/tf/compat/v1/keras/layers/GRUCell