tf.keras.layers.SimpleRNNCell

Класс ячейки для SimpleRNN.

Наследуется от: Layer, Module

tf.keras.layers.SimpleRNNCell(
    units, activation='tanh', 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, **kwargs
)

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

Этот класс обрабатывает один шаг в пределах всего входного временного ряда, тогда как tf.keras.layer.SimpleRNN обрабатывает весь ряд.

Аргументы вызова:

• inputs: 2-мерный тензор со формой [batch, feature].
• states: 2-мерный тензор с формой [batch, units], который является состоянием с предыдущего временного шага. Для временного шага 0 на вход ячейке будет подано начальное состояние, предоставленное пользователем.
• training: Булево значение Python, указывающее, должен ли слой работать в режиме обучения или в режиме вывода. Релевантно только тогда, когда используется dropout или recurrent_dropout.

Примеры:

inputs = np.random.random([32, 10, 8]).astype(np.float32)
rnn = tf.keras.layers.RNN(tf.keras.layers.SimpleRNNCell(4))

output = rnn(inputs)  # The output has shape `[32, 4]`.

rnn = tf.keras.layers.RNN(
    tf.keras.layers.SimpleRNNCell(4),
    return_sequences=True,
    return_state=True)

# whole_sequence_output has shape `[32, 10, 4]`.
# final_state has shape `[32, 4]`.
whole_sequence_output, final_state = rnn(inputs)

Методы

get_dropout_mask_for_cell

Просмотреть исходный код

get_dropout_mask_for_cell(
    inputs, training, count=1
)

Получить маску выпадения для входных данных ячейки RNN.

Если нет кэшированной маски, создаст маску на основе контекста. Если новая маска генерируется, 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
)

Получить маску рекуррентного выпадения для ячейки RNN.

Если нет кэшированной маски, создаст маску на основе контекста. Если новая маска генерируется, она обновит кэш в ячейке.

reset_dropout_mask

Просмотреть исходный код

reset_dropout_mask()

Сбросить кэшированные маски выпадения, если они есть.

Это важно для слоя RNN, чтобы вызвать это в его методе call(), чтобы кэшированная маска была очищена перед вызовом cell.call(). Маска должна кэшироваться на временном шаге в рамках одной партии, но не должна кэшироваться между партиями. В противном случае это введет необоснованную предвзятость к определенному индексу данных в партии.

reset_recurrent_dropout_mask

Просмотреть исходный код

reset_recurrent_dropout_mask()

Сбросить кэшированные маски рекуррентного выпадения, если они есть.

Это важно для слоя RNN, чтобы вызвать это в его методе call(), чтобы кэшированная маска была очищена перед вызовом cell.call(). Маска должна кэшироваться на временном шаге в рамках одной партии, но не должна кэшироваться между партиями. В противном случае это введет необоснованную предвзятость к определенному индексу данных в партии.