递归层Recurrent

Recurrent层

keras.layers.recurrent.Recurrent(weights=None, return_sequences=False, go_backwards=False, stateful=False, unroll=False, consume_less='cpu', input_dim=None, input_length=None)

这是递归层的抽象类，请不要在模型中直接应用该层（因为它是抽象类，无法实例化任何对象）。请使用它的子类LSTM或SimpleRNN。

所有的递归层（LSTM,GRU,SimpleRNN）都服从本层的性质，并接受本层指定的所有关键字参数。

参数

  • weights：numpy array的list，用以初始化权重。该list形如[(input_dim, output_dim),(output_dim, output_dim),(output_dim,)]

  • return_sequences：布尔值，默认False，控制返回类型。若为True则返回整个序列，否则仅返回输出序列的最后一个输出

  • go_backwards：布尔值，默认为False，若为True，则逆向处理输入序列

  • stateful：布尔值，默认为False，若为True，则一个batch中下标为i的样本的最终状态将会用作下一个batch同样下标的样本的初始状态。

  • unroll：布尔值，默认为False，若为True，则递归层将被展开，否则就使用符号化的循环。当使用TensorFlow为后端时，递归网络本来就是展开的，因此该层不做任何事情。层展开会占用更多的内存，但会加速RNN的运算。层展开只适用于短序列。

  • consume_less：‘cpu’或‘mem’之一。若设为‘cpu’，则RNN将使用较少、较大的矩阵乘法来实现，从而在CPU上会运行更快，但会更消耗内存。如果设为‘mem’，则RNN将会较多的小矩阵乘法来实现，从而在GPU并行计算时会运行更快（但在CPU上慢），并占用较少内存。

  • input_dim：输入维度，当使用该层为模型首层时，应指定该值（或等价的指定input_shape)

  • input_length：当输入序列的长度固定时，该参数为输入序列的长度。当需要在该层后连接Flatten层，然后又要连接Dense层时，需要指定该参数，否则全连接的输出无法计算出来。注意，如果递归层不是网络的第一层，你需要在网络的第一层中指定序列的长度，如通过input_shape指定。

输入shape

形如（samples，timesteps，input_dim）的3D张量

输出shape

如果return_sequences=True：返回形如（samples，timesteps，output_dim）的3D张量

否则，返回形如（samples，output_dim）的2D张量

例子

# as the first layer in a Sequential model
model = Sequential()
model.add(LSTM(32, input_shape=(10, 64)))
# now model.output_shape == (None, 10, 32)
# note: `None` is the batch dimension.

# the following is identical:
model = Sequential()
model.add(LSTM(32, input_dim=64, input_length=10))

# for subsequent layers, not need to specify the input size:
model.add(LSTM(16))

屏蔽输入数据（Masking）

递归层支持通过时间步变量对输入数据进行Masking，如果想将输入数据的一部分屏蔽掉，请使用Embedding层并将参数mask_zero设为True。

TensorFlow警告

目前为止，当使用TensorFlow作为后端时，序列的时间步数目必须在网络中指定。通过input_length（如果网络首层是递归层）或完整的input_shape来指定该值。

使用状态RNN的注意事项

可以将RNN设置为‘stateful’，意味着训练时每个batch的状态都会被重用于初始化下一个batch的初始状态。状态RNN假设连续的两个batch之中，相同下标的元素有一一映射关系。

要启用状态RNN，请在实例化层对象时指定参数stateful=True，并指定模型使用固定大小的batch：通过在模型的第一层传入batch_input_shape=(...)来实现。该参数应为包含batch大小的元组，例如（32，10，100）代表每个batch的大小是32.

如果要将递归层的状态重置，请调用.reset_states()，对模型调用将重置模型中所有状态RNN的状态。对单个层调用则只重置该层的状态。

以TensorFlow作为后端时使用dropout的注意事项

当使用TensorFlow作为后端时，如果要在递归层使用dropout，需要同上面所述的一样指定好固定的batch大小

SimpleRNN层

keras.layers.recurrent.SimpleRNN(output_dim, init='glorot_uniform', inner_init='orthogonal', activation='tanh', W_regularizer=None, U_regularizer=None, b_regularizer=None, dropout_W=0.0, dropout_U=0.0)

全连接RNN网络，RNN的输出会被回馈到输入

参数

  • output_dim：内部投影和输出的维度

  • init：初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的Theano函数。

  • inner_init：内部单元的初始化方法

  • activation：激活函数，为预定义的激活函数名（参考激活函数）

  • W_regularizer：施加在权重上的正则项，为WeightRegularizer对象

  • U_regularizer：施加在递归权重上的正则项，为WeightRegularizer对象

  • b_regularizer：施加在偏置向量上的正则项，为WeightRegularizer对象

  • dropout_W：0~1之间的浮点数，控制输入单元到输入门的连接断开比例

  • dropout_U：0~1之间的浮点数，控制输入单元到递归连接的断开比例

参考文献

GRU层

keras.layers.recurrent.GRU(output_dim, init='glorot_uniform', inner_init='orthogonal', activation='tanh', inner_activation='hard_sigmoid', W_regularizer=None, U_regularizer=None, b_regularizer=None, dropout_W=0.0, dropout_U=0.0)

门限递归单元（详见参考文献）

参数

  • output_dim：内部投影和输出的维度

  • init：初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的Theano函数。

  • inner_init：内部单元的初始化方法

  • activation：激活函数，为预定义的激活函数名（参考激活函数）

  • inner_activation：内部单元激活函数

  • W_regularizer：施加在权重上的正则项，为WeightRegularizer对象

  • U_regularizer：施加在递归权重上的正则项，为WeightRegularizer对象

  • b_regularizer：施加在偏置向量上的正则项，为WeightRegularizer对象

  • dropout_W：0~1之间的浮点数，控制输入单元到输入门的连接断开比例

  • dropout_U：0~1之间的浮点数，控制输入单元到递归连接的断开比例

参考文献

LSTM层

keras.layers.recurrent.LSTM(output_dim, init='glorot_uniform', inner_init='orthogonal', forget_bias_init='one', activation='tanh', inner_activation='hard_sigmoid', W_regularizer=None, U_regularizer=None, b_regularizer=None, dropout_W=0.0, dropout_U=0.0)

Keras长短期记忆模型，关于此算法的详情，请参考本教程

参数

  • output_dim：内部投影和输出的维度

  • init：初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的Theano函数。

  • inner_init：内部单元的初始化方法

  • forget_bias_init：遗忘门偏置的初始化函数，Jozefowicz et al.建议初始化为全1元素

  • activation：激活函数，为预定义的激活函数名（参考激活函数）

  • inner_activation：内部单元激活函数

  • W_regularizer：施加在权重上的正则项，为WeightRegularizer对象

  • U_regularizer：施加在递归权重上的正则项，为WeightRegularizer对象

  • b_regularizer：施加在偏置向量上的正则项，为WeightRegularizer对象

  • dropout_W：0~1之间的浮点数，控制输入单元到输入门的连接断开比例

  • dropout_U：0~1之间的浮点数，控制输入单元到递归连接的断开比例

参考文献