tf.keras.layers.Masking

Маскирует последовательность, используя значение маски для пропуска временных шагов.

Наследуется от: Layer

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

Для каждого временного шага в тензоре входных данных (измерение #1 в тензоре), если все значения в тензоре входных данных в этот момент времени равны mask_value, то временной шаг будет замаскирован (пропущен) во всех последующих слоях (пока они поддерживают маску).

Если какой-либо последующий слой не поддерживает маскирование, но получает такую маску входных данных, будет возбуждено исключение.

Пример:

Рассмотрим массив данных Numpy x с формой (samples, timesteps, features), который нужно передать в слой LSTM. Вы хотите замаскировать временные шаги #3 и #5, потому что для этих временных шагов данных нет. Вы можете:

• Установить x[:, 3, :] = 0. и x[:, 5, :] = 0.
• Вставить слой Masking со значением 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 = tf.keras.models.Sequential()
model.add(tf.keras.layers.Masking(mask_value=0.,
                                  input_shape=(timesteps, features)))
model.add(tf.keras.layers.LSTM(32))

output = model(inputs)
# The time step 3 and 5 will be skipped from LSTM calculation.

См. руководство по маске и дополнению для получения более подробной информации.