tf.keras.layers.LSTM 示例
import tensorflow as tf
inputs = tf.random.normal([1, # batch2, # 时间步长(时间窗)3 # 输入维度
])
print("输入:", inputs.shape)
输入: (1, 2, 3)
lstm = tf.keras.layers.LSTM(4)
output = lstm(inputs)
print("最后一个输出值:", output)
最后一个输出值: tf.Tensor([[-0.02074971 -0.06181227 -0.00734914 0.00274102]], shape=(1, 4), dtype=float32)
lstm = tf.keras.layers.LSTM(4, # 输出空间的正整数、维度。# 返回单个 hidden state值还是返回全部time step 的 hidden state值。 False 返回单个, true 返回全部。return_sequences=True
)
output = lstm(inputs)
print("所有输出值:", output)
所有输出值: tf.Tensor(
[[[ 0.15341435 0.09737927 -0.13387154 0.05538211][ 0.0466701 0.04704784 -0.14747564 0.01897318]]], shape=(1, 2, 4), dtype=float32)
lstm = tf.keras.layers.LSTM(4, # 输出空间的正整数、维度。return_state=True # 是否返回除输出之外的最后一个状态。
)
lstm1, state_h, state_c = lstm(inputs)
print("最后一个输出值:", lstm1)
print("最后一个输出值:", state_h)
print("隐藏状态值:", state_c)
最后一个输出值: tf.Tensor([[ 0.02579227 0.05082012 -0.00955747 0.04579654]], shape=(1, 4), dtype=float32)
最后一个输出值: tf.Tensor([[ 0.02579227 0.05082012 -0.00955747 0.04579654]], shape=(1, 4), dtype=float32)
隐藏状态值: tf.Tensor([[ 0.06498837 0.11387149 -0.02051686 0.10319157]], shape=(1, 4), dtype=float32)
lstm = tf.keras.layers.LSTM(4, # 输出空间的正整数、维度。# 返回单个 hidden state值还是返回全部time step 的 hidden state值。 False 返回单个, true 返回全部。return_sequences=True,return_state=True
)
lstm1, state_hidden, state_cell = lstm(inputs)
print("所有输出值:", lstm1)
print("最后一个输出值:", state_hidden)
print("隐藏状态值:", state_cell)
所有输出值: tf.Tensor(
[[[-0.2615968 -0.11358638 -0.02559761 0.03946158][ 0.001031 -0.0546873 0.03478507 0.00940466]]], shape=(1, 2, 4), dtype=float32)
最后一个输出值: tf.Tensor([[ 0.001031 -0.0546873 0.03478507 0.00940466]], shape=(1, 4), dtype=float32)
隐藏状态值: tf.Tensor([[ 0.00235827 -0.10970385 0.08445251 0.01719776]], shape=(1, 4), dtype=float32)
tf.keras.layers.LSTM 示例相关推荐
- tf.keras.layers.MaxPool2D 示例 池化层
tf.keras.layers.MaxPool2D 示例 池化层 import tensorflow as tf import numpy as np inputs = np.random.randi ...
- tf.keras.layers.Resizing 示例 改变维度的层
tf.keras.layers.Resizing 示例 改变维度的层 import tensorflow as tf # 创建一个输入的张量 inputs = tf.random.normal([ 2 ...
- 【Tensorflow+Keras】tf.keras.layers.LSTM的解析与使用
1 作用原理 实现LSTM网络 原理介绍:长短期记忆模型(Long-Short Term Memory,LSTM) 2 参数 tf.keras.layers.LSTM( units, activati ...
- tensorflow keras 上采样(放大图片) tf.keras.layers.UpSampling2D 示例
input_shape = (4, 28, 28, 3) # 样本数:4,图片大小:28 * 28,通道:3 inputs = tf.random.normal(input_shape) print( ...
- tf.keras.layers.TextVectorization 示例
将文本要素映射到整数序列的预处理图层. 将不同长度的文本,转换成相同长度的数组 import tensorflow as tf text_layer = tf.keras.layers.TextVec ...
- tf.keras.layers.Dropout 示例
import tensorflow as tf import numpy as np 随机删除神经元,防止过度拟合 tf.random.set_seed(0) layer = tf.keras.lay ...
- tf.keras.layers.Conv2D 示例
import tensorflow as tf input_shape = (4, 28, 28, 3) # 样本数:4,图片大小:28 * 28,通道:3 inputs = tf.random.no ...
- tf.keras.layers.Reshape 示例
import tensorflow as tf 除第一维外的维度改变 reshape = tf.keras.layers.Reshape((5, 16), # 输出的维度,输出维度乘积 = 输入维度的 ...
- tf.keras.layers.Flatten() 示例
import tensorflow as tf flatten = tf.keras.layers.Flatten() print(flatten) <tensorflow.python.ker ...
最新文章
- ios xib 四等分_ios Xib的几种用法[转]
- 5.1软件升级的小阳春
- 那个大战AlphaGo的柯洁,将免试入读清华大学工商管理专业
- javascript 随机点名
- python logging模块的作用_Python 日志模块logging分析及使用-2
- 1.4 @SuppressWarnings:抑制编译器警告
- 基于Angularjs+jasmine+karma的测试驱动开发(TDD)实例
- 声呐图像数据集_MaskedFace-Net 口罩人脸基准数据集,13万+图像数据
- 单例模式之恶汉模式(详解)
- Node 实现 AES 加密,结果输出为“byte”。
- 浏览器导入和导出cookie
- 完了!Windows弱爆了!Linux才是程序员的首选!程序员:好用!
- Sony MZ-RH1 Hi-MD
- POJ-1426-Find The Multiple
- mysql关键字及其用法_mysql的优化-explain
- mangodb和php比较,php-mongodb从不同的数据库中选择
- opencv函数介绍—normalize
- 多频电磁感应仪GEM-2介绍
- 机器学习笔记:训练集、验证集与测试集
- 幅值与峰峰值的计算_峰峰值,峰值,平均值,有效值的关系
热门文章
- 一文详解手眼标定之九点法
- 物体的三维识别与6D位姿估计:PPF系列论文介绍(五)
- php 下划线转大写开头,使用PHP把下划线分隔命名的字符串 转换成驼峰式命名方式 , 把下划线后面的第一个字母变成大写...
- mysql 事务_MySQL事务
- Marine Life Science Technology(海洋生命科学与技术)被SCIE收录
- QIIME 2教程. 10数据导出ExportingData(2021.2)
- ISME:南农沈其荣团队基于大数据准确预测土壤的枯萎病发生
- 多媒体计算机技术在教学中的应用,【浅谈多媒体计算机技术在中学物理教学中的应用】计算机技术是什么...
- R语言数据包自带数据集之ISwR包的melanom数据集字段解释、数据导入实战
- R语言使用caretEnsemble包的caretList函数一次性构建多个机器学习模型、使用lattice包的bwplot函数使用箱图对比多个模型在多个指标上的性能差异