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,
activation=“tanh”,
recurrent_activation=“sigmoid”,#用于重复步骤的激活功能
use_bias=True,#，是否图层使用偏置向量
kernel_initializer=“glorot_uniform”,#kernel权重矩阵的初始化程序，用于输入的线性转换
recurrent_initializer=“orthogonal”,#权重矩阵的初始化程序，用于递归状态的线性转换
bias_initializer=“zeros”,#偏差向量的初始化程序
unit_forget_bias=True,#则在初始化时将1加到遗忘门的偏置上
kernel_regularizer=None,＃正则化函数应用于kernel权重矩阵
recurrent_regularizer=None,＃正则化函数应用于权重矩阵
bias_regularizer=None,＃正则化函数应用于偏差向量
activity_regularizer=None,＃正则化函数应用于图层的输出（其“激活”）
kernel_constraint=None,＃约束函数应用于kernel权重矩阵
recurrent_constraint=None,＃约束函数应用于权重矩阵
bias_constraint=None,＃约束函数应用于偏差向量
dropout=0.0,＃要进行线性转换的输入单位的分数
recurrent_dropout=0.0,＃为递归状态的线性转换而下降的单位小数
return_sequences=False,＃是否返回最后一个输出。在输出序列或完整序列中
return_state=False,＃除输出外，是否返回最后一个状态
go_backwards=False,＃如果为True，则向后处理输入序列并返回反向的序列
stateful=False,＃如果为True，则批次中索引i的每个样本的最后状态将用作下一个批次中索引i的样本的初始状态。
time_major=False,
unroll=False,＃如果为True，则将展开网络，否则将使用符号循环。展开可以加快RNN的速度，尽管它通常会占用更多的内存。展开仅适用于短序列。
)

一般情况下只使用三个参数

units 输出空间的维度
input_shape (timestep, input_dim),timestep可以设置为None,由输入决定,input_dime根据具体情况
activation 激活函数,默认tanh

3 举例使用

inputs = tf.random.normal([32, 10, 8])
lstm = tf.keras.layers.LSTM(4)
output = lstm(inputs)
print(output.shape)
#(32, 4)
lstm = tf.keras.layers.LSTM(4, return_sequences=True, return_state=True)
whole_seq_output, final_memory_state, final_carry_state = lstm(inputs)
print(whole_seq_output.shape)
#(32, 10, 4)
print(final_memory_state.shape)
#(32, 4)
print(final_carry_state.shape)
#(32, 4)

【Tensorflow+Keras】tf.keras.layers.LSTM的解析与使用相关推荐

Keras vs tf.keras: 在TensorFlow 2.0中有什么区别?
导读在本文中,您将发现Keras和tf.keras之间的区别,包括TensorFlow 2.0中的新增功能. 万众期待的TensorFlow 2.0于9月30日正式发布. 虽然肯定是值得庆祝的时刻, ...
TensorFlow高阶 API: keras教程-使用tf.keras搭建mnist手写数字识别网络
TensorFlow高阶 API:keras教程-使用tf.keras搭建mnist手写数字识别网络目录 TensorFlow高阶 API:keras教程-使用tf.keras搭建mnist手写数字 ...
Keras与tf.keras：TensorFlow 2.0有什么区别？
在本教程的第一部分中,我们将讨论Keras和TensorFlow之间相互交织的历史,包括他们共同的受欢迎程度如何相互滋养,相互促进和滋养,使我们走向今天. 然后,我将讨论为什么您应该在以后的所 ...
Keras vs. tf.keras: 在TensorFlow 2.0中有什么区别?
在本教程中,您将发现Keras和tf.keras之间的区别,包括TensorFlow 2.0中的新增功能. Keras vs. tf.keras: 在TensorFlow 2.0中有什么区别? htt ...
TensorFlow 2.0中的tf.keras和Keras有何区别？为什么以后一定要用tf.keras？
选自pyimagesearch 作者:Adrian Rosebrock 参与:王子嘉.张倩本文经机器之心授权转载,禁止二次转载随着 TensorFlow 2.0 的发布,不少开发者产生了一些疑惑: ...
TensorFlow中的Keras用法和自定义模型和层
Keras Keras 是一个用于构建和训练深度学习模型的高阶 API.它可用于快速设计原型.高级研究和生产,具有以下三个主要优势: 方便用户使用 Keras 具有针对常见用例做出优化的简单而一致的界 ...
tf.contrib.layers.fully_connected详解
博主 https://www.jianshu.com/p/673fd07954e9 tf.contrib.layers.fully_connected(F, num_outputs,activatio ...
Tensorflow tf.keras.layers.LSTM
参数参数描述 units 输出空间的维度 input_shape (timestep, input_dim),timestep可以设置为None,由输入决定,input_dime根据具体情况 ac ...
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 ...

【Tensorflow+Keras】tf.keras.layers.LSTM的解析与使用

1 作用原理

2 参数

3 举例使用

【Tensorflow+Keras】tf.keras.layers.LSTM的解析与使用相关推荐

最新文章

热门文章