tf.compat.v1.keras.layers.LSTM

Слои долгой краткосрочной памяти — Hochreiter 1997.

Наследуется от: RNN, Layer, Module

tf.compat.v1.keras.layers.LSTM(
    units,
    activation='tanh',
    recurrent_activation='hard_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,
    activity_regularizer=None,
    kernel_constraint=None,
    recurrent_constraint=None,
    bias_constraint=None,
    dropout=0.0,
    recurrent_dropout=0.0,
    return_sequences=False,
    return_state=False,
    go_backwards=False,
    stateful=False,
    unroll=False,
    **kwargs
)

Обратите внимание, что эта ячейка не оптимизирована для производительности на GPU. Используйте tf.compat.v1.keras.layers.CuDNNLSTM для лучшей производительности на GPU.

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. линейная активация: `a(x) = x`).
`recurrent_activation`	Функция активации для использования на рекуррентном шаге. По умолчанию: жёсткая сигмоида (`hard_sigmoid`). Если вы передадите `None`, активация не применяется (т.е. линейная активация: `a(x) = x`).
`use_bias`	Булево значение, указывает, использует ли слой вектор смещения.
`kernel_initializer`	Инициализатор матрицы весов `kernel`, используемый для линейного преобразования входных данных.
`recurrent_initializer`	Инициализатор матрицы весов `recurrent_kernel`, используемый для линейного преобразования рекуррентного состояния.
`bias_initializer`	Инициализатор вектора смещения.
`unit_forget_bias`	Булево значение. Если True, добавляет 1 к смещению забывающего блока при инициализации. Установка в true также принудительно устанавливает `bias_initializer="zeros"`. Рекомендуется в Jozefowicz et al., 2015.
`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.
`activity_regularizer`	Функция регуляризации, применяемая к выходу слоя (его "активации").
`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, которые необходимо отбросить для линейного преобразования входных данных.
`recurrent_dropout`	Вещественное число от 0 до 1. Доля единиц, которые необходимо отбросить для линейного преобразования рекуррентного состояния.
`return_sequences`	Булево значение. Возвращать ли последний вывод в последовательности вывода или полную последовательность.
`return_state`	Булево значение. Возвращать ли последнее состояние в дополнение к выводу.
`go_backwards`	Булево значение (по умолчанию False). Если True, обрабатывать последовательность входных данных в обратном порядке и возвращать обращенную последовательность.
`stateful`	Булево значение (по умолчанию False). Если True, последнее состояние для каждого образца с индексом i в наборе будет использоваться в качестве начального состояния для образца с индексом i в следующем наборе.
`unroll`	Булево значение (по умолчанию False). Если True, сеть будет развернута, в противном случае будет использоваться символический цикл. Развертывание может ускорить RNN, хотя оно, как правило, более ресурсоёмкое. Развертывание подходит только для коротких последовательностей.
`time_major`	Формат формы тензоров `inputs` и `outputs`. Если True, входные и выходные данные будут в форме `(timesteps, batch, ...)`, а в случае False — в форме `(batch, timesteps, ...)`. Использование `time_major = True` немного эффективнее, потому что оно избегает транспонирования в начале и в конце вычисления RNN. Однако большинство данных TensorFlow являются пословно-главными, поэтому по умолчанию эта функция принимает вход и выводит вывод в форме пословно-главной.

Аргументы вызова:

inputs: Тензор 3D.
mask: Бинарный тензор формы (samples, timesteps) , указывающий, следует ли маскировать определённый временной шаг. Отдельная запись True указывает, что соответствующий временной шаг должен использоваться, а запись False указывает, что соответствующий временной шаг следует игнорировать.
training: Булево значение Python, указывающее, должен ли слой работать в режиме обучения или в режиме вывода. Этот аргумент передаётся в ячейку при её вызове. Это актуально только в том случае, если используется dropout или recurrent_dropout.
initial_state: Список тензоров начального состояния, которые должны быть переданы в первый вызов ячейки.

Атрибуты
`activation`
`bias_constraint`
`bias_initializer`
`bias_regularizer`
`dropout`
`implementation`
`kernel_constraint`
`kernel_initializer`
`kernel_regularizer`
`recurrent_activation`
`recurrent_constraint`
`recurrent_dropout`
`recurrent_initializer`
`recurrent_regularizer`
`states`
`unit_forget_bias`
`units`
`use_bias`

Методы

`reset_states`

Посмотреть исходный код

reset_states(
    states=None
)

Сбросить записанные состояния для состоятельного слоя RNN.

Можно использовать только тогда, когда слой RNN создан с stateful = True. Аргументы: states: Массивы NumPy, содержащие значение для начального состояния, которое будет передано ячейке на первом временном шаге. Если значение None, будет создан массив NumPy с нулевыми значениями, основанный на размере состояния ячейки.

Исключения
`AttributeError`	Когда слой RNN не является состоятельным.
`ValueError`	Когда размер набора для слоя RNN неизвестен.
`ValueError`	Когда входной массив NumPy несовместим с состоянием слоя RNN, либо по размеру, либо по типу данных.

© 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/LSTM