tf.keras.layers.LSTM

Слой долгой краткосрочной памяти — Hochreiter 1997.

Наследуется от: LSTM

tf.keras.layers.LSTM(
    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, activity_regularizer=None,
    kernel_constraint=None, recurrent_constraint=None, bias_constraint=None,
    dropout=0.0, recurrent_dropout=0.0, implementation=2, return_sequences=False,
    return_state=False, go_backwards=False, stateful=False, time_major=False,
    unroll=False, **kwargs
)

См. руководство по API Keras RNN для получения подробной информации об использовании API RNN.

В зависимости от доступного оборудования и ограничений выполнения этот слой выберет различные реализации (на основе cuDNN или чисто TensorFlow), чтобы максимизировать производительность. Если доступен графический процессор и все аргументы слоя соответствуют требованиям ядра CuDNN (подробности см. ниже), слой будет использовать быструю реализацию cuDNN.

Требования к использованию реализации cuDNN:

1. activation == tanh
2. recurrent_activation == sigmoid
3. recurrent_dropout == 0
4. unroll является False
5. use_bias является True
6. Входы, если используется маскирование, строго заполняются справа.
7. Включение режима eager execution в внешнем контексте.

Например:

inputs = tf.random.normal([32, 10, 8])
lstm = tf.keras.layers.LSTM(4)
output = lstm(inputs)
print(output.shape)
(32, 4)
lstm = tf.keras.layers.LSTM(4, return_sequences=True, return_state=True)
whole_seq_output, final_memory_state, final_carry_state = lstm(inputs)
print(whole_seq_output.shape)
(32, 10, 4)
print(final_memory_state.shape)
(32, 4)
print(final_carry_state.shape)
(32, 4)

Аргументы вызова:

• inputs: 3D тензор с формой [batch, timesteps, feature].
• mask: Бинарный тензор с формой [batch, timesteps] , указывающий, должен ли быть замаскирован определённый шаг по времени (необязательно, по умолчанию None).
• training: Логическое значение Python, указывающее, должен ли слой вести себя в режиме обучения или в режиме вывода. Этот аргумент передается ячейке при вызове. Это актуально только в случае использования dropout или recurrent_dropout (необязательно, по умолчанию None).
• initial_state: Список начальных тензоров состояния, которые должны быть переданы в первый вызов ячейки (необязательно, по умолчанию None, что вызывает создание тензоров начального состояния, заполненных нулями).

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 нет кэшированной маски. Если новая маска создана, она будет обновлять кэш в ячейке.

get_recurrent_dropout_mask_for_cell

Просмотреть исходный код

get_recurrent_dropout_mask_for_cell(
    inputs, training, count=1
)

Получить маску дропаута для рекуррентного шага ячейки RNN.

Создаст маску на основе контекста, если нет кэшированной маски. Если новая маска создана, она будет обновлять кэш в ячейке.

reset_dropout_mask

Просмотреть исходный код

reset_dropout_mask()

Сбросить кэшированные маски дропаута, если они есть.

Это важно для слоя RNN, чтобы вызвать это в методе call(), чтобы кэшированная маска очищалась перед вызовом cell.call(). Маска должна быть кэширована на протяжении временного шага в рамках одной партии, но не должна быть кэширована между партиями. В противном случае это приведет к необоснованному смещению против определенного индекса данных в рамках партии.

reset_recurrent_dropout_mask

Просмотреть исходный код

reset_recurrent_dropout_mask()

Сбросить кэшированные маски рекуррентного дропаута, если они есть.

Это важно для слоя RNN, чтобы вызвать это в методе call(), чтобы кэшированная маска очищалась перед вызовом cell.call(). Маска должна быть кэширована на протяжении временного шага в рамках одной партии, но не должна быть кэширована между партиями. В противном случае это приведет к необоснованному смещению против определенного индекса данных в рамках партии.

reset_states

Просмотреть исходный код

reset_states(
    states=None
)

Сбросить записанные состояния для состояния RNN-слоя.

Может быть использован только в том случае, когда слой RNN построен с stateful = True. Аргументы: states: Массивы NumPy, содержащие значение для начального состояния, которое будет передано ячейке на первом временном шаге. Если значение равно None, будет создан нулево заполненный массив NumPy на основе размера состояния ячейки.