Tensorflow.js tf.layers.rnn()用法及代码示例

Tensorflow.js是Google开发的开源库，用于在浏览器或节点环境中运行机器学习模型和深度学习神经网络。

Tensorflow.js tf.layers.rnn() 函数本质上是循环层的基类。

用法:

tf.layers.rnn( args );

参数：

• args: 它是一个具有以下字段的对象：
  • cell: 它应该是 RNN 单元的实例或 RNN 单元实例的数组。
  • returnSequences:  它应该是布尔值。它定义了这两个天气最后输出或完整序列在输出序列中返回。
  • returnState: 它应该是布尔值。它定义输出中返回的最后状态。
  • goBackwards: 它应该是布尔值。它定义是否以相反和相反的顺序处理输入。
  • stateful: 它应该是布尔值。它定义是否使用批次的最后状态作为当前批次的初始状态。
  • unroll: 它应该是布尔值。它告诉是否使用展开的网络，否则使用符号循环。
  • inputDim: 它应该是一个数字。当该层用作模型的第一层时使用此选项。它定义了层中输入的维度。
  • inputLength: 它应该是一个数字。当输入数据的顺序恒定时，应使用此字段。
  • inputShape: 它应该是一个数字数组。该字段用于创建输入层，该输入层用于插入到该层之前。
  • batchInputShape: 它应该是一个数字数组。如果提供 inputShape 和此字段作为创建用于插入到该图层之前的输入图层的参数，则将使用此字段。
  • batchSize: 它应该是一个数字。在没有batchInputShape的情况下，该字段用于使用inputShape创建batchInputShape。 batchInputShape：[batchSize，...inputShape]。
  • dtype: 如果该层用作输入层，则该字段用作该层的数据类型。
  • name: 它应该是字符串类型。该字段定义该层的名称。
  • trainable: 它应该是布尔值。该字段定义该层的权重是否可以通过拟合进行训练。
  • weights: 这应该是一个定义该层初始权重值的张量。
  • inputDType: 这是用于旧版支持的数据类型。

返回值：它返回 RNN。

该层支持使用任意数量的时间步长对输入数据进行屏蔽。我们可以将 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新用作下一个批次的初始状态。

输入形状应该是形状为 [batchSize, timeSteps, inputDim ] 的 3D 张量

根据提供给该层的参数和值，我们得到输出层的形状：

示例 1：如果 returnState 设置为 true，则此函数返回张量数组，其中第一个张量是输出。剩余的张量是最后一个时间步的状态。数组中所有张量的形状将为[batchSize,units]。

// Cells for RNN 
const cells = [
   tf.layers.lstmCell({units: 4}),
   tf.layers.lstmCell({units: 8}),
];
const rnn = tf.layers.rnn({cell: cells, returnState:true });
// Create an input with 8 time steps and
// 16 length vector at each step.
const Input_layer = tf.input({shape: [8, 16]});
const Output_layer = rnn.apply(Input_layer);
console.log(JSON.stringify(Output_layer[0].shape));

输出：

[null, 8]

示例 2：如果未设置 returnState 且 returnSequence 设置为 true，则输出张量将具有以下形状：[batchSize, timeSteps,units]。

// Cells for RNN 
const cells = [
    tf.layers.lstmCell({units: 16}),
    tf.layers.lstmCell({units: 32}),
];
const rnn = tf.layers.rnn({
    cell: cells,
    returnState: false, 
    returnSequences: true
});
// Create an input with 8 time steps and
// 16 length vector at each step.
const Input_layer = tf.input({shape: [4, 8]});
const Output_layer = rnn.apply(Input_layer);
console.log(JSON.stringify(Output_layer.shape));

输出：

[null,4,32]

示例 3：如果 returnState 和 returnSequences 都没有定义，那么输出的形状将为 [batchSize,units]。

// Cells for RNN
const cells = [
   tf.layers.lstmCell({units: 4}),
   tf.layers.lstmCell({units: 8}),
];
const rnn = tf.layers.rnn({cell: cells});
// Create an input with 10 time steps and 
// 20 length vector at each step.
const input = tf.input({shape: [10, 20]});
const output = rnn.apply(input);
console.log(JSON.stringify(output.shape));

输出：

[null,8]

参考：https://js.tensorflow.org/api/latest/#layers.rnn