tf.compat.v1.keras.layers.GRUCell

Класс ячейки для слоя GRU.

Наследуется от: GRUCell, Layer, Module

tf.compat.v1.keras.layers.GRUCell(
    units,
    activation='tanh',
    recurrent_activation='hard_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=False,
    **kwargs
)

Аргументы
`units`	Положительное целое число, размерность выходного пространства.
`activation`	Функция активации для использования. По умолчанию: гиперболический тангенс (`tanh`). Если вы передадите None, активация не применяется (т.е. используется активация "линейная": `a(x) = x`).
`recurrent_activation`	Функция активации для рекуррентного шага. По умолчанию: жёсткая сигмоида (`hard_sigmoid`). Если вы передадите `None`, активация не применяется (т.е. используется активация "линейная": `a(x) = x`).
`use_bias`	Булево значение, использует ли слой вектор смещения.
`kernel_initializer`	Инициализатор матрицы весов `kernel`, используемой для линейного преобразования входов.
`recurrent_initializer`	Инициализатор матрицы весов `recurrent_kernel`, используемой для линейного преобразования рекуррентного состояния.
`bias_initializer`	Инициализатор вектора смещения.
`kernel_regularizer`	Функция регуляризации, применяемая к матрице весов `kernel` .
`recurrent_regularizer`	Функция регуляризации, применяемая к матрице весов `recurrent_kernel` .
`bias_regularizer`	Функция регуляризации, применяемая к вектору смещения.
`kernel_constraint`	Функция ограничения, применяемая к матрице весов `kernel` .
`recurrent_constraint`	Функция ограничения, применяемая к матрице весов `recurrent_kernel` .
`bias_constraint`	Функция ограничения, применяемая к вектору смещения.
`dropout`	Вещественное число от 0 до 1. Доля единиц, подлежащих отбрасыванию при линейном преобразовании входов.
`recurrent_dropout`	Вещественное число от 0 до 1. Доля единиц, подлежащих отбрасыванию при линейном преобразовании рекуррентного состояния.
`reset_after`	Конвенция GRU (применять ли шлюз сброса после или перед матричным умножением). False = "перед" (по умолчанию), True = "после" (совместимо с cuDNN).

Аргументы вызова:

inputs: Двумерный тензор.
states: Список тензоров состояния, соответствующих предыдущему шагу во времени.
training: Булево значение Python, указывающее, должно ли слой работать в режиме обучения или в режиме вывода. Релевантно только когда используется dropout или recurrent_dropout.

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.

Если кэшированной маски нет, она будет создана на основе контекста. Если новая маска сгенерирована, она обновит кэш в ячейке.

Аргументы
`inputs`	Входной тензор, форма которого будет использована для генерации маски дропаута.
`training`	Булевой тензор, находится ли он в режиме обучения; дропаут игнорируется в режиме, отличном от режима обучения.
`count`	Целое число, сколько масок дропаута будет сгенерировано. Это полезно для ячейки, имеющей внутренние веса, объединённые вместе.

Возвращаемые значения
Список тензоров масок, сгенерированные или кэшированные маски на основе контекста.

`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 дропаута для ячейки RNN.

Аргументы
`inputs`	Входной тензор, форма которого будет использована для генерации маски дропаута.
`training`	Булевой тензор, находится ли он в режиме обучения; дропаут игнорируется в режиме, отличном от режима обучения.
`count`	Целое число, сколько масок дропаута будет сгенерировано. Это полезно для ячейки, имеющей внутренние веса, объединённые вместе.

Возвращаемые значения
Список тензоров масок, сгенерированные или кэшированные маски на основе контекста.

`reset_dropout_mask`

Просмотреть исходный код

reset_dropout_mask()

Сбросить кэшированные маски дропаута, если они есть.

Это важно для слоя RNN, чтобы вызвать этот метод в своём методе call(), чтобы очистить кэшированную маску перед вызовом cell.call(). Маска должна кэшироваться на протяжении шага во времени в рамках одной и той же партии, но не должна кэшироваться между партиями. В противном случае это приведёт к необоснованному смещению в отношении определённого индекса данных в партии.

`reset_recurrent_dropout_mask`

Просмотреть исходный код

reset_recurrent_dropout_mask()

Сбросить кэшированные маски рекуррентного дропаута, если они есть.

© 2022 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 4.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/versions/r2.9/api_docs/python/tf/compat/v1/keras/layers/GRUCell