ConvLSTM1D 層

[來源]

ConvLSTM1D 類別

keras.layers.ConvLSTM1D(
    filters,
    kernel_size,
    strides=1,
    padding="valid",
    data_format=None,
    dilation_rate=1,
    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,
    seed=None,
    return_sequences=False,
    return_state=False,
    go_backwards=False,
    stateful=False,
    **kwargs
)

1D 卷積 LSTM。

類似於 LSTM 層，但輸入轉換和循環轉換皆為卷積。

引數

• filters：整數，輸出空間的維度（卷積中的濾波器數量）。
• kernel_size：整數或 1 個整數的元組/列表，指定卷積視窗的大小。
• strides：整數或 1 個整數的元組/列表，指定卷積的步幅長度。strides > 1 與 dilation_rate > 1 不相容。
• padding：字串，"valid" 或 "same"（不區分大小寫）。"valid" 表示不填充。"same" 會均勻填充輸入的左/右或上/下，使輸出具有與輸入相同的高度/寬度維度。
• data_format：字串，"channels_last" 或 "channels_first"。輸入中維度的順序。"channels_last" 對應於形狀為 (batch, steps, features) 的輸入，而 "channels_first" 對應於形狀為 (batch, features, steps) 的輸入。預設值為在您的 Keras 設定檔 ~/.keras/keras.json 中找到的 image_data_format 值。如果您從未設定過，則將為 "channels_last"。
• dilation_rate：整數或 1 個整數的元組/列表，指定用於擴張卷積的擴張率。
• activation：要使用的啟動函數。預設情況下，會套用雙曲正切啟動函數（tanh(x)）。
• recurrent_activation：用於循環步驟的啟動函數。
• use_bias：布林值，圖層是否使用偏權向量。
• kernel_initializer：kernel 權重矩陣的初始化器，用於輸入的線性轉換。
• recurrent_initializer：recurrent_kernel 權重矩陣的初始化器，用於循環狀態的線性轉換。
• bias_initializer：偏權向量的初始化器。
• unit_forget_bias：布林值。若為 True，則在初始化時將 1 新增至遺忘閘的偏權。與 bias_initializer="zeros" 組合使用。建議在 Jozefowicz et al., 2015 中使用
• kernel_regularizer：套用至 kernel 權重矩陣的正規化器函數。
• recurrent_regularizer：套用至 recurrent_kernel 權重矩陣的正規化器函數。
• bias_regularizer：套用至偏權向量的正規化器函數。
• activity_regularizer：套用至的正規化器函數。
• kernel_constraint：套用至 kernel 權重矩陣的約束函數。
• recurrent_constraint：套用至 recurrent_kernel 權重矩陣的約束函數。
• bias_constraint：套用至偏權向量的約束函數。
• dropout：介於 0 和 1 之間的浮點數。要為輸入的線性轉換捨棄的單元比例。
• recurrent_dropout：介於 0 和 1 之間的浮點數。要為循環狀態的線性轉換捨棄的單元比例。
• seed：用於 dropout 的隨機種子。
• return_sequences：布林值。是否傳回輸出序列中的最後一個輸出，或完整序列。預設值：False。
• return_state：布林值。除了輸出之外，是否傳回最後的狀態。預設值：False。
• go_backwards：布林值（預設值：False）。若為 True，則反向處理輸入序列並傳回反向序列。
• stateful：布林值（預設值 False）。若為 True，則批次中索引 i 處每個樣本的最後狀態將用作後續批次中索引 i 的樣本的初始狀態。
• unroll：布林值（預設值：False）。若為 True，則網路將會展開，否則將使用符號迴圈。展開可以加速 RNN，儘管它往往更耗費記憶體。展開僅適用於短序列。

呼叫引數

• inputs：一個 4D 張量。
• initial_state：要傳遞到單元格第一次呼叫的初始狀態張量列表。
• mask：形狀為 (samples, timesteps) 的二元張量，指示是否應遮罩給定的時間步。
• training：Python 布林值，指示圖層應以訓練模式還是推論模式運作。僅當設定 dropout 或 recurrent_dropout 時才相關。

輸入形狀

• 若 data_format="channels_first"：4D 張量，形狀為：(samples, time, channels, rows)
• 若 data_format="channels_last"：4D 張量，形狀為：(samples, time, rows, channels)

輸出形狀

• 若 return_state：張量列表。第一個張量是輸出。剩餘張量是最後的狀態，每個 3D 張量的形狀為：若 data_format='channels_first' 則為 (samples, filters, new_rows)，若 data_format='channels_last' 則為 (samples, new_rows, filters)。rows 值可能會因填充而變更。
• 若 return_sequences：4D 張量，形狀為：若 data_format='channels_first' 則為 (samples, timesteps, filters, new_rows)，若 data_format='channels_last' 則為 (samples, timesteps, new_rows, filters)。
• 否則，3D 張量，形狀為：若 data_format='channels_first' 則為 (samples, filters, new_rows)，若 data_format='channels_last' 則為 (samples, new_rows, filters)。

參考文獻

• Shi et al., 2015（目前的實作不包含單元格輸出的回饋迴路）。