tf.keras.layers.LSTM

Слой долговременной краткосрочной памяти — Hochreiter 1997.

Наследует от: RNN, Layer, Module

tf.keras.layers.LSTM(
    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,
    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,
    time_major=False,
    unroll=False,
    **kwargs
)

Подробную информацию об использовании API RNN см. в руководстве по API Keras RNN.

В зависимости от доступного оборудования и ограничений во время выполнения, этот слой будет использовать различные реализации (на основе cuDNN или чисто TensorFlow), чтобы максимизировать производительность. Если доступна видеокарта, и все аргументы слоя удовлетворяют требования ядра cuDNN (подробности см. ниже), слой будет использовать быструю реализацию cuDNN.

Требования для использования реализации cuDNN:

1. activation == tanh
2. recurrent_activation == sigmoid
3. recurrent_dropout == 0
4. unroll является False
5. use_bias является True
6. В случае использования маскирования входные данные строго заполняются справа.
7. Внешний контекст включает выполнение Eager.

Например:

inputs = tf.random.normal([32, 10, 8])
lstm = tf.keras.layers.LSTM(4)
output = lstm(inputs)
print(output.shape)
(32, 4)
lstm = tf.keras.layers.LSTM(4, return_sequences=True, return_state=True)
whole_seq_output, final_memory_state, final_carry_state = lstm(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: Трехмерный тензор с формой [batch, timesteps, feature].
• mask: Двоичный тензор формы [batch, timesteps], указывающий, должен ли быть замаскирован данный временной шаг (необязательно, по умолчанию None). Отдельная запись True указывает, что соответствующий временной шаг следует использовать, а запись False указывает, что соответствующий временной шаг следует игнорировать.
• training: Булево значение Python, указывающее, должен ли слой вести себя в режиме обучения или в режиме вывода. Этот аргумент передается ячейке при её вызове. Это важно только при использовании dropout или recurrent_dropout (необязательно, по умолчанию None).
• initial_state: Список тензоров начального состояния, которые должны передаваться в первую вызов ячейки (необязательно, по умолчанию None, что приводит к созданию заполненных нулями тензоров начального состояния).

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.

Создаст маску на основе контекста, если в кэше нет существующей маски. Если новая маска сгенерирована, она обновит кэш в ячейке.

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.

Создаст маску на основе контекста, если в кэше нет существующей маски. Если новая маска сгенерирована, она обновит кэш в ячейке.

reset_dropout_mask

Просмотреть исходный код

reset_dropout_mask()

Сбросить кэшированные маски дропаута, если они есть.

Это важно для слоя RNN вызвать этот метод, чтобы очистить кэшированную маску перед вызовом cell.call(). Маска должна быть кэширована на протяжении временного шага в одном пакете, но не должна быть кэширована между пакетами. В противном случае это введёт необоснованный уклон к определённому индексу данных в пакете.

reset_recurrent_dropout_mask

Просмотреть исходный код

reset_recurrent_dropout_mask()

Сбросить кэшированные маски рекуррентного дропаута, если они есть.

Это важно для слоя RNN, чтобы вызвать это в его методе call(), чтобы кэшированная маска очищалась перед вызовом метода cell.call(). Маска должна кэшироваться на временном шаге в рамках одной партии, но не должна кэшироваться между партиями. В противном случае это введёт необоснованный предвзятый подход к определённому индексу данных в партии.

reset_states

Просмотреть исходный код

reset_states(
    states=None
)

Сбросьте записанные состояния для состоятельного слоя RNN.

Может быть использовано только тогда, когда слой RNN построен с stateful = True. Аргументы: states: Массивы NumPy, содержащие значения для начального состояния, которые будут переданы ячейке на первом временном шаге. Если значение равно None, будет создан нулевой массив NumPy на основе размера состояния ячейки.