tf.compat.v1.keras.layers.LSTM

Слой долгой краткосрочной памяти — Hochreiter 1997.

Наследуется от: RNN

tf.compat.v1.keras.layers.LSTM(
    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, activity_regularizer=None,
    kernel_constraint=None, recurrent_constraint=None, bias_constraint=None,
    dropout=0.0, recurrent_dropout=0.0, implementation=1, return_sequences=False,
    return_state=False, go_backwards=False, stateful=False, unroll=False, **kwargs
)

Обратите внимание, что этот блок не оптимизирован для производительности на GPU. Используйте tf.compat.v1.keras.layers.CuDNNLSTM для повышения производительности на GPU.

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, 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.
`unit_forget_bias`	Булево значение. Если True, добавляет 1 к смещению забывающего блока (forget gate) при инициализации. Установка в true также принудительно устанавливает `bias_initializer="zeros"`. Это рекомендуется в Jozefowicz et al., 2015.
`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.
`activity_regularizer`	Функция регуляризации, применяемая к выходу слоя (его «активации»).
`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, которые нужно отбросить для линейного преобразования входных данных.
`recurrent_dropout`	Вещественное число от 0 до 1. Доля единиц, которые нужно отбросить для линейного преобразования рекуррентного состояния.
`implementation`	Режим реализации, либо 1, либо 2. Режим 1 будет структурировать свои операции как большее число меньших умножений матриц и сложений, в то время как режим 2 будет объединять их в меньше, но большие операции. Эти режимы будут иметь различные профили производительности на различном оборудовании и для различных применений.
`return_sequences`	Булево значение. Возвращать ли последний выходной результат в последовательности или всю последовательность.
`return_state`	Булево значение. Возвращать ли последнее состояние в дополнение к выводу.
`go_backwards`	Булево (по умолчанию False). Если True, обрабатывать входную последовательность в обратном порядке и возвращать обращенную последовательность.
`stateful`	Булево (по умолчанию False). Если True, последнее состояние для каждого образца с индексом i в пакете будет использоваться в качестве начального состояния для образца с индексом i в следующем пакете.
`unroll`	Булево (по умолчанию False). Если True, сеть будет развернута, иначе будет использоваться символический цикл. Развертывание может ускорить RNN, хотя оно, как правило, более ресурсоёмкое. Развертывание подходит только для коротких последовательностей.
`time_major`	Формат формы тензоров `inputs` и `outputs`. Если True, входы и выходы будут иметь форму `(timesteps, batch, ...)`, в то время как в случае False — `(batch, timesteps, ...)`. Использование `time_major = True` немного эффективнее, поскольку оно избегает транспонирования в начале и в конце вычисления RNN. Однако большинство данных TensorFlow являются пакетно-главными, поэтому по умолчанию эта функция принимает входы и выдает выходы в пакетно-главном формате.

Аргументы вызова:

inputs: 3D тензор.
mask: Бинарный тензор формы (samples, timesteps) указывающий, должен ли быть замаскирован данный временной шаг.
training: Булево значение, указывающее, должно ли слой вести себя в режиме обучения или в режиме вывода. Этот аргумент передается в ячейку при вызове её. Это имеет значение только если используется dropout или recurrent_dropout.
initial_state: Список тензоров начальных состояний, которые нужно передать в первый вызов ячейки.

Атрибуты
`activation`
`bias_constraint`
`bias_initializer`
`bias_regularizer`
`dropout`
`implementation`
`kernel_constraint`
`kernel_initializer`
`kernel_regularizer`
`recurrent_activation`
`recurrent_constraint`
`recurrent_dropout`
`recurrent_initializer`
`recurrent_regularizer`
`states`
`unit_forget_bias`
`units`
`use_bias`

Методы

`reset_states`

Просмотр исходного кода

reset_states(
    states=None
)

Сброс записанных состояний для состоятельного слоя RNN.

Может быть использован только при построении слоя RNN с stateful = True. Аргументы: состояния: массивы NumPy, содержащие значение начального состояния, которое будет передано в ячейку на первом временном шаге. Если значение равно None, будет создан массив NumPy с нулями, основанный на размере состояния ячейки.

Исключения
`AttributeError`	Когда слой RNN не является состоятельным.
`ValueError`	Когда размер пакета слоя RNN неизвестен.
`ValueError`	Когда входной массив NumPy не совместим с состоянием слоя RNN, ни по размеру, ни по типу данных.

© 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/LSTM