Python tf.keras.layers.RNN用法及代码示例

循环层的基类。

继承自：Layer，Module

用法

tf.keras.layers.RNN(
    cell, return_sequences=False, return_state=False, go_backwards=False,
    stateful=False, unroll=False, time_major=False, **kwargs
)

有关 RNN API 使用的详细信息，请参阅 Keras RNN API 指南。

调用参数：

• inputs：输入张量。
• mask: 形状的二进制张量[batch_size, timesteps]指示是否应屏蔽给定的时间步长。个人True条目指示应使用相应的时间步长，而Falseentry 表示应该忽略相应的时间步长。
• training:Python 布尔值，指示层应该在训练模式还是推理模式下运行。此参数在调用时传递给单元格。这适用于使用 dropout 的单元格。
• initial_state：要传递给单元的第一次调用的初始状态张量列表。
• constants：在每个时间步传递给单元的常量张量列表。

输入形状：

当time_major 为真时，N-D 张量形状为[batch_size, timesteps, ...] 或[timesteps, batch_size, ...]。

输出形状：

• 如果 return_state ：张量列表。第一个张量是输出。剩余的张量是最后的状态，每个状态都具有 [batch_size, state_size] 形状，其中 state_size 可能是高维张量形状。
• 如果 return_sequences :N-D 张量的形状为 [batch_size, timesteps, output_size] ，其中 output_size 可能是高维张量形状，或者 [timesteps, batch_size, output_size] 当 time_major 为真时。
• 否则，N-D 形状为 [batch_size, output_size] 的张量，其中 output_size 可能是高维张量形状。

掩蔽：

该层支持对具有可变时间步数的输入数据进行屏蔽。要将掩码引入数据，请使用 [tf.keras.layers.Embedding] 层，并将 mask_zero 参数设置为 True 。

在 RNN 中使用状态性的注意事项：您可以将 RNN 层设置为'stateful'，这意味着为一个批次中的样本计算的状态将被重用于下一批中的样本的初始状态。这假设不同连续批次中的样本之间存在one-to-one 映射。

要启用有状态：

- Specify `stateful=True` in the layer constructor.
- Specify a fixed batch size for your model, by passing
  If sequential model:
    `batch_input_shape=(...)` to the first layer in your model.
  Else for functional model with 1 or more Input layers:
    `batch_shape=(...)` to all the first layers in your model.
  This is the expected shape of your inputs
  *including the batch size*.
  It should be a tuple of integers, e.g. `(32, 10, 100)`.
- Specify `shuffle=False` when calling `fit()`.

要重置模型的状态，请在特定层或整个模型上调用 .reset_states()。

关于指定 RNN 初始状态的注意事项：您可以通过使用关键字参数 initial_state 来象征性地指定 RNN 层的初始状态。 initial_state 的值应该是一个张量或张量列表，表示 RNN 层的初始状态。

您可以通过使用关键字参数 states 调用 reset_states 以数字方式指定 RNN 层的初始状态。 states 的值应该是一个 numpy 数组或 numpy 数组列表，表示 RNN 层的初始状态。

将外部常量传递给 RNN 的注意事项：您可以使用 RNN.__call__ (以及 RNN.call )方法的 constants 关键字参数将 "external" 常量传递给单元格。这要求 cell.call 方法接受相同的关键字参数 constants 。这些常数可用于在额外的静态输入(不随时间变化)上调节单元转换，也就是注意力机制。

例子：

# First, let's define a RNN Cell, as a layer subclass.

class MinimalRNNCell(keras.layers.Layer):

    def __init__(self, units, **kwargs):
        self.units = units
        self.state_size = units
        super(MinimalRNNCell, self).__init__(**kwargs)

    def build(self, input_shape):
        self.kernel = self.add_weight(shape=(input_shape[-1], self.units),
                                      initializer='uniform',
                                      name='kernel')
        self.recurrent_kernel = self.add_weight(
            shape=(self.units, self.units),
            initializer='uniform',
            name='recurrent_kernel')
        self.built = True

    def call(self, inputs, states):
        prev_output = states[0]
        h = backend.dot(inputs, self.kernel)
        output = h + backend.dot(prev_output, self.recurrent_kernel)
        return output, [output]

# Let's use this cell in a RNN layer:

cell = MinimalRNNCell(32)
x = keras.Input((None, 5))
layer = RNN(cell)
y = layer(x)

# Here's how to use the cell to build a stacked RNN:

cells = [MinimalRNNCell(32), MinimalRNNCell(64)]
x = keras.Input((None, 5))
layer = RNN(cells)
y = layer(x)