Python tf.keras.layers.RNN用法及代碼示例

循環層的基類。

繼承自：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
)

有關 RNN API 使用的詳細信息，請參閱 Keras RNN API 指南。

調用參數：

• inputs：輸入張量。
• mask: 形狀的二進製張量[batch_size, timesteps]指示是否應屏蔽給定的時間步長。個人True條目指示應使用相應的時間步長，而Falseentry 表示應該忽略相應的時間步長。
• training:Python 布爾值，指示層應該在訓練模式還是推理模式下運行。此參數在調用時傳遞給單元格。這適用於使用 dropout 的單元格。
• initial_state：要傳遞給單元的第一次調用的初始狀態張量列表。
• constants：在每個時間步傳遞給單元的常量張量列表。

輸入形狀：

當time_major 為真時，N-D 張量形狀為[batch_size, timesteps, ...] 或[timesteps, batch_size, ...]。

輸出形狀：

• 如果 return_state ：張量列表。第一個張量是輸出。剩餘的張量是最後的狀態，每個狀態都具有 [batch_size, state_size] 形狀，其中 state_size 可能是高維張量形狀。
• 如果 return_sequences :N-D 張量的形狀為 [batch_size, timesteps, output_size] ，其中 output_size 可能是高維張量形狀，或者 [timesteps, batch_size, output_size] 當 time_major 為真時。
• 否則，N-D 形狀為 [batch_size, output_size] 的張量，其中 output_size 可能是高維張量形狀。

掩蔽：

該層支持對具有可變時間步數的輸入數據進行屏蔽。要將掩碼引入數據，請使用 [tf.keras.layers.Embedding] 層，並將 mask_zero 參數設置為 True 。

在 RNN 中使用狀態性的注意事項：您可以將 RNN 層設置為'stateful'，這意味著為一個批次中的樣本計算的狀態將被重用於下一批中的樣本的初始狀態。這假設不同連續批次中的樣本之間存在one-to-one 映射。

要啟用有狀態：

- 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()`.

要重置模型的狀態，請在特定層或整個模型上調用 .reset_states()。

關於指定 RNN 初始狀態的注意事項：您可以通過使用關鍵字參數 initial_state 來象征性地指定 RNN 層的初始狀態。 initial_state 的值應該是一個張量或張量列表，表示 RNN 層的初始狀態。

您可以通過使用關鍵字參數 states 調用 reset_states 以數字方式指定 RNN 層的初始狀態。 states 的值應該是一個 numpy 數組或 numpy 數組列表，表示 RNN 層的初始狀態。

將外部常量傳遞給 RNN 的注意事項：您可以使用 RNN.__call__ (以及 RNN.call )方法的 constants 關鍵字參數將 "external" 常量傳遞給單元格。這要求 cell.call 方法接受相同的關鍵字參數 constants 。這些常數可用於在額外的靜態輸入(不隨時間變化)上調節單元轉換，也就是注意力機製。

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)