Python tf.keras.layers.SimpleRNNCell用法及代碼示例

SimpleRNN 的單元類。

繼承自：Layer，Module

用法

tf.keras.layers.SimpleRNNCell(
    units, activation='tanh', use_bias=True,
    kernel_initializer='glorot_uniform',
    recurrent_initializer='orthogonal',
    bias_initializer='zeros', 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, **kwargs
)

參數

units 正整數，輸出空間的維度。
activation 要使用的激活函數。默認值：雙曲正切(tanh)。如果您通過 None ，則不會應用激活(即 "linear" 激活：a(x) = x )。
use_bias 布爾值，(默認 True )，圖層是否使用偏置向量。
kernel_initializer kernel 權重矩陣的初始化器，用於輸入的線性變換。默認值：glorot_uniform。
recurrent_initializer recurrent_kernel 權重矩陣的初始化器，用於循環狀態的線性變換。默認值：orthogonal。
bias_initializer 偏置向量的初始化器。默認值：zeros。
kernel_regularizer 應用於kernel 權重矩陣的正則化函數。默認值：None。
recurrent_regularizer 應用於recurrent_kernel 權重矩陣的正則化函數。默認值：None。
bias_regularizer 應用於偏置向量的正則化函數。默認值：None。
kernel_constraint 應用於kernel 權重矩陣的約束函數。默認值：None。
recurrent_constraint 應用於recurrent_kernel 權重矩陣的約束函數。默認值：None。
bias_constraint 應用於偏置向量的約束函數。默認值：None。
dropout 在 0 和 1 之間浮點數。為輸入的線性變換而下降的單位分數。默認值：0。
recurrent_dropout 在 0 和 1 之間浮點數。用於循環狀態的線性變換的單位的分數。默認值：0。

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

此類處理整個時間序列輸入中的一個步驟，而tf.keras.layer.SimpleRNN 處理整個序列。

調用參數：

inputs：一個二維張量，形狀為[batch, feature].
states：一個二維張量，形狀為[batch, units]，這是上一個時間步的狀態。對於時間步 0，用戶提供的初始狀態將被饋送到單元格。
training:Python 布爾值，指示層應該在訓練模式還是推理模式下運行。僅在以下情況下相關dropout或者recurrent_dropout被使用。

例子：

inputs = np.random.random([32, 10, 8]).astype(np.float32)
rnn = tf.keras.layers.RNN(tf.keras.layers.SimpleRNNCell(4))

output = rnn(inputs)  # The output has shape `[32, 4]`.

rnn = tf.keras.layers.RNN(
    tf.keras.layers.SimpleRNNCell(4),
    return_sequences=True,
    return_state=True)

# whole_sequence_output has shape `[32, 10, 4]`.
# final_state has shape `[32, 4]`.
whole_sequence_output, final_state = rnn(inputs)

相關用法

注：本文由純淨天空篩選整理自tensorflow.org大神的英文原創作品 tf.keras.layers.SimpleRNNCell。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。