tf.keras.layers.GRUCell

Класс ячейки для слоя GRU.

Наследуется от: 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 Keras RNN для получения подробной информации об использовании API RNN.

Этот класс обрабатывает один шаг в рамках всего входного временного ряда, тогда как tf.keras.layer.GRU обрабатывает весь временной ряд.

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: 2-мерный тензор, со формой [batch, feature].
• states: 2-мерный тензор с формой [batch, units], который представляет собой состояние с предыдущего шага во времени. Для шага 0 будет использовано начальное состояние, предоставленное пользователем.
• training: Булево значение Python, указывающее, должен ли слой работать в режиме обучения или в режиме вывода. Актуально только в случае использования dropout или recurrent_dropout.

Методы

get_dropout_mask_for_cell

Просмотреть исходный код

get_dropout_mask_for_cell(
    inputs, training, count=1
)

Получить маску дропаут для входных данных ячейки RNN.

Создаст маску на основе контекста, если нет кэшированной маски. Если генерируется новая маска, то 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
)

Получить маску дропаут для рекуррентной части ячейки RNN.

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

reset_dropout_mask

Просмотреть исходный код

reset_dropout_mask()

Сбросить кэшированные маски дропаут, если они есть.

Это важно для слоя RNN, чтобы вызвать этот метод в методе call(), чтобы кэшированная маска была очищена перед вызовом cell.call(). Маска должна кэшироваться на временном шаге в пределах одной партии, но не должна кэшироваться между партиями. В противном случае это приведет к необоснованному смещению относительно определенного индекса данных в пределах партии.

reset_recurrent_dropout_mask

Просмотреть исходный код

reset_recurrent_dropout_mask()

Сбросить кэшированные маски дропаут для рекуррентной части, если они есть.

Это важно для слоя RNN, чтобы вызвать этот метод в методе call(), чтобы кэшированная маска была очищена перед вызовом cell.call(). Маска должна кэшироваться на временном шаге в пределах одной партии, но не должна кэшироваться между партиями. В противном случае это приведет к необоснованному смещению относительно определенного индекса данных в пределах партии.