tf.keras.layers.LSTMCell

Класс ячейки для слоя LSTM.

Наследуется от: LSTMCell, Layer, Module

tf.keras.layers.LSTMCell(
    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,
    kernel_constraint=None, recurrent_constraint=None, bias_constraint=None,
    dropout=0.0, recurrent_dropout=0.0, **kwargs
)

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

Этот класс обрабатывает один шаг в пределах всего входного временного ряда, в то время как tf.keras.layer.LSTM обрабатывает весь ряд.

Например:

inputs = tf.random.normal([32, 10, 8])
rnn = tf.keras.layers.RNN(tf.keras.layers.LSTMCell(4))
output = rnn(inputs)
print(output.shape)
(32, 4)
rnn = tf.keras.layers.RNN(
   tf.keras.layers.LSTMCell(4),
   return_sequences=True,
   return_state=True)
whole_seq_output, final_memory_state, final_carry_state = rnn(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: Матрица 2D-тензор, со значением [batch, feature].
• states: Список из 2 тензоров, соответствующих блокам ячейки. Оба имеют размерность [batch, units], первый - состояние памяти с предыдущего шага, второй - состояние переноса с предыдущего шага. Для шага 0 в ячейку будет передано начальное состояние, заданное пользователем.
• training: Булево значение Python, указывающее, должен ли слой работать в режиме обучения или в режиме вывода. Релевантно 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 создается новая маска, она обновит 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 рекуррентного дропаута для ячейки RNN.

Создаст маску на основе контекста, если нет кэшированной маски. Если создается новая маска, она обновит кэш в ячейке.

reset_dropout_mask

Просмотреть исходный код

reset_dropout_mask()

Сброс кэшированных масок дропаута, если таковые имеются.

Важно, чтобы слой RNN вызывал этот метод, чтобы очистить кэшированную маску перед вызовом call(). Маска должна быть кэширована на протяжении шага внутри одной и той же партии, но не должна кэшироваться между партиями. В противном случае это приведет к необоснованному смещению против определенного индекса данных внутри партии.

reset_recurrent_dropout_mask

Просмотреть исходный код

reset_recurrent_dropout_mask()

Сброс кэшированных масок рекуррентного дропаута, если таковые имеются.

Важно, чтобы слой RNN вызывал этот метод в методе call(), чтобы очистить кэшированную маску перед вызовом cell.call(). Маска должна кэшироваться на протяжении шага внутри одной и той же партии, но не должна кэшироваться между партиями. В противном случае это приведет к необоснованному смещению против определенного индекса данных внутри партии.