tf.keras.layers.GRUCell

Класс ячейки для слоя GRU.

Наследуется от: GRUCell, Layer, Module

tf.keras.layers.GRUCell(
    units, activation='tanh', recurrent_activation='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, reset_after=True, **kwargs
)

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

Этот класс обрабатывает один шаг в рамках входных данных всей временной последовательности, в то время как tf.keras.layer.GRU обрабатывает всю последовательность.

Например:

inputs = tf.random.normal([32, 10, 8])
rnn = tf.keras.layers.RNN(tf.keras.layers.GRUCell(4))
output = rnn(inputs)
print(output.shape)
(32, 4)
rnn = tf.keras.layers.RNN(
   tf.keras.layers.GRUCell(4),
   return_sequences=True,
   return_state=True)
whole_sequence_output, final_state = rnn(inputs)
print(whole_sequence_output.shape)
(32, 10, 4)
print(final_state.shape)
(32, 4)

Аргументы вызова:

• inputs: Матрица-тензор 2D, с формой [batch, feature].
• states: Матрица-тензор 2D с формой [batch, units], представляющая состояние на предыдущем временном шаге. Для временного шага 0 в ячейку будет подано начальное состояние, предоставленное пользователем.
• training: Булево значение Python, указывающее, должен ли слой вести себя в режиме обучения или в режиме вывода. Актуально только при использовании dropout или recurrent_dropout.

Методы

get_dropout_mask_for_cell

Просмотреть исходный код

get_dropout_mask_for_cell(
    inputs, training, count=1
)

Получение маски дропаута для входных данных ячейки RNN.

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

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
)

Получение маски дропаута для рекуррентного слоя RNN.

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

reset_dropout_mask

Просмотреть исходный код

reset_dropout_mask()

Сброс кэшированных масок дропаута, если они есть.

Важно для слоя RNN вызвать этот метод в методе call(), чтобы кэшированная маска была очищена перед вызовом cell.call(). Маска должна быть кэширована на временном шаге 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()

Сброс кэшированных масок дропаута для рекуррентного слоя, если они есть.

Важно для слоя RNN вызвать этот метод в методе call(), чтобы кэшированная маска была очищена перед вызовом cell.call(). Маска должна быть кэширована на временном шаге 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.