Python tf.nn.RNNCellDeviceWrapper用法及代码示例

参数

• cell RNNCell 的一个实例。
• device 设备字符串或函数，用于传递给 tf.device 。
• **kwargs 基础层的关键字参数字典。

属性

• activity_regularizer 该层输出的可选正则化函数。
• compute_dtype 层计算的 dtype。

  这相当于 Layer.dtype_policy.compute_dtype 。除非使用混合精度，否则这与 Layer.dtype 相同，即权重的 dtype。

  层会自动将其输入转换为计算 dtype，这会导致计算和输出也位于计算 dtype 中。这是由 Layer.call 中的基础层类完成的，因此如果实现自己的层，则不必插入这些转换。

  当 compute_dtype 为 float16 或 bfloat16 以保持数值稳定性时，层通常会以更高的精度执行某些内部计算。在这种情况下，输出通常仍然是 float16 或 bfloat16。

• dtype 层权重的 dtype。

  这相当于 Layer.dtype_policy.variable_dtype 。除非使用混合精度，否则这与 Layer.compute_dtype 相同，即图层计算的 dtype。

• dtype_policy 与该层关联的 dtype 策略。

  这是 tf.keras.mixed_precision.Policy 的一个实例。

• dynamic 图层是否动态(eager-only)；在构造函数中设置。
• input 检索层的输入张量。

  仅当该层只有一个输入时才适用，即如果它连接到一个传入层。

• input_spec InputSpec说明该层输入格式的实例。

  创建图层子类时，可以设置 self.input_spec 以使图层在调用时运行输入兼容性检查。考虑 Conv2D 层：它只能在秩为 4 的单个输入张量上调用。因此，您可以在 __init__() 中设置：

  self.input_spec = tf.keras.layers.InputSpec(ndim=4)

  现在，如果您尝试在不是 4 级的输入上调用图层(例如，形状为 (2,) 的输入，它将引发 nicely-formatted 错误：

  ValueError:Input 0 of layer conv2d is incompatible with the layer:
  expected ndim=4, found ndim=1. Full shape received:[2]

  可以通过input_spec 指定的输入检查包括：

  • 结构(例如，单个输入、2 个输入的列表等)
  • Shape
  • 排名(ndim)
  • Dtype

  有关详细信息，请参阅tf.keras.layers.InputSpec。

• losses 使用添加的损失列表add_loss()API。

  访问此属性时会创建变量正则化张量，因此非常安全：访问 tf.GradientTape 下的 losses 会将梯度传播回相应的变量。

  class MyLayer(tf.keras.layers.Layer):
    def call(self, inputs):
      self.add_loss(tf.abs(tf.reduce_mean(inputs)))
      return inputs
  l = MyLayer()
  l(np.ones((10, 1)))
  l.losses
  [1.0]

  inputs = tf.keras.Input(shape=(10,))
  x = tf.keras.layers.Dense(10)(inputs)
  outputs = tf.keras.layers.Dense(1)(x)
  model = tf.keras.Model(inputs, outputs)
  # Activity regularization.
  len(model.losses)
  0
  model.add_loss(tf.abs(tf.reduce_mean(x)))
  len(model.losses)
  1

  inputs = tf.keras.Input(shape=(10,))
  d = tf.keras.layers.Dense(10, kernel_initializer='ones')
  x = d(inputs)
  outputs = tf.keras.layers.Dense(1)(x)
  model = tf.keras.Model(inputs, outputs)
  # Weight regularization.
  model.add_loss(lambda:tf.reduce_mean(d.kernel))
  model.losses
  [<tf.Tensor:shape=(), dtype=float32, numpy=1.0>]

• metrics 使用添加的指标列表add_metric()API。

  input = tf.keras.layers.Input(shape=(3,))
  d = tf.keras.layers.Dense(2)
  output = d(input)
  d.add_metric(tf.reduce_max(output), name='max')
  d.add_metric(tf.reduce_min(output), name='min')
  [m.name for m in d.metrics]
  ['max', 'min']

• non_trainable_weights 该层跟踪的所有不可训练权重的列表。

  不可训练的权重在训练期间不会更新。它们预计将在 call() 中手动更新。

• output 检索层的输出张量。

  仅当该层只有一个输出时才适用，即如果它连接到一个传入层。

• output_size
• state_size
• supports_masking 该层是否支持使用 compute_mask 计算掩码。
• trainable
• trainable_weights 该层跟踪的所有可训练权重的列表。

  可训练权重在训练期间通过梯度下降进行更新。

• variable_dtype Layer.dtype 的别名，权重的 dtype。
• weights 返回所有层变量/权重的列表。