LSTM 細胞層

[原始碼]

LSTMCell 類別

keras.layers.LSTMCell(
    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,
    kernel_constraint=None,
    recurrent_constraint=None,
    bias_constraint=None,
    dropout=0.0,
    recurrent_dropout=0.0,
    seed=None,
    **kwargs
)

LSTM 層的細胞類別。

此類別處理整個時間序列輸入中的一個步驟，而 keras.layer.LSTM 處理整個序列。

參數

• units：正整數，輸出空間的維度。
• activation：要使用的啟動函數。預設值：雙曲正切函數 (tanh)。如果您傳遞 None，則不套用啟動函數（即「線性」啟動函數：a(x) = x）。
• recurrent_activation：用於循環步驟的啟動函數。預設值：sigmoid 函數 (sigmoid)。如果您傳遞 None，則不套用啟動函數（即「線性」啟動函數：a(x) = x）。
• use_bias：布林值，（預設值 True），指示圖層是否應使用偏置向量。
• kernel_initializer：用於 kernel 權重矩陣的初始化器，用於輸入的線性轉換。預設值："glorot_uniform"。
• recurrent_initializer：用於 recurrent_kernel 權重矩陣的初始化器，用於循環狀態的線性轉換。預設值："orthogonal"。
• bias_initializer：偏置向量的初始化器。預設值："zeros"。
• unit_forget_bias：布林值（預設值 True）。如果為 True，則在初始化時將 1 新增至遺忘閘的偏置。將其設定為 True 也會強制 bias_initializer="zeros"。建議在 Jozefowicz et al. 中使用。
• kernel_regularizer：套用至 kernel 權重矩陣的正規化函數。預設值：None。
• recurrent_regularizer：套用至 recurrent_kernel 權重矩陣的正規化函數。預設值：None。
• bias_regularizer：套用至偏置向量的正規化函數。預設值：None。
• kernel_constraint：套用至 kernel 權重矩陣的約束函數。預設值：None。
• recurrent_constraint：套用至 recurrent_kernel 權重矩陣的約束函數。預設值：None。
• bias_constraint：套用至偏置向量的約束函數。預設值：None。
• dropout：介於 0 和 1 之間的浮點數。為輸入的線性轉換而捨棄的單元比例。預設值：0。
• recurrent_dropout：介於 0 和 1 之間的浮點數。為循環狀態的線性轉換而捨棄的單元比例。預設值：0。
• seed：dropout 的隨機種子。

呼叫參數

• inputs：2D 張量，形狀為 (batch, features)。
• states：2D 張量，形狀為 (batch, units)，這是來自前一個時間步的狀態。
• training：Python 布林值，指示圖層應在訓練模式還是推論模式下運作。僅在使用 dropout 或 recurrent_dropout 時相關。

範例

>>> inputs = np.random.random((32, 10, 8))
>>> rnn = keras.layers.RNN(keras.layers.LSTMCell(4))
>>> output = rnn(inputs)
>>> output.shape
(32, 4)
>>> rnn = keras.layers.RNN(
...    keras.layers.LSTMCell(4),
...    return_sequences=True,
...    return_state=True)
>>> whole_sequence_output, final_state = rnn(inputs)
>>> whole_sequence_output.shape
(32, 10, 4)
>>> final_state.shape
(32, 4)