Keras调用LSTM之函数接口介绍

一、LSTM函数介绍

keras.layers.LSTM(units, activation=‘tanh‘, recurrent_activation=‘hard_sigmoid‘, use_bias=True, kernel_initializer=‘glorot_uniform‘, recurrent_initializer=‘orthogonal‘, bias_initializer=‘zeros‘, unit_forget_bias=True, kernel_regularizer=None, recurrent_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, recurrent_constraint=None, bias_constraint=None, dropout=0.0, recurrent_dropout=0.0, implementation=1, return_sequences=False, return_state=False, go_backwards=False, stateful=False, unroll=False)

参数

• units: 正整数，也叫隐藏层，表示的是每个lstm单元里面前馈神经网络的输出维度，每一个门的计算都有一个前馈网络层。
• activation: 要使用的激活函数 ，如果传入 None，则不使用激活函数 (即 线性激活：a(x) = x)。
• recurrent_activation: 用于循环时间步的激活函数 。默认分段线性近似 sigmoid (hard_sigmoid)。 如果传入 None，则不使用激活函数 (即 线性激活：a(x) = x)。
• use_bias: 布尔值，该层是否使用偏置向量。
• kernel_initializer: kernel 权值矩阵的初始化器， 用于输入的线性转换。
• recurrent_initializer: recurrent_kernel 权值矩阵 的初始化器，用于循环层状态的线性转换 。
• bias_initializer:偏置向量的初始化器 .
• unit_forget_bias: 布尔值。 如果为 True，初始化时，将忘记门的偏置加 1。 将其设置为 True 同时还会强制 bias_initializer="zeros"。 这个建议来自 。
• kernel_regularizer: 运用到 kernel 权值矩阵的正则化函数。
• recurrent_regularizer: 运用到 recurrent_kernel 权值矩阵的正则化函数 。
• bias_regularizer: 运用到偏置向量的正则化函数 。
• activity_regularizer: 运用到层输出（它的激活值）的正则化函数。
• kernel_constraint: 运用到 kernel 权值矩阵的约束函数。
• recurrent_constraint: 运用到 recurrent_kernel 权值矩阵的约束函数。
• bias_constraint: 运用到偏置向量的约束函数。
• dropout: 在 0 和 1 之间的浮点数。 单元的丢弃比例，用于输入的线性转换。
• recurrent_dropout: 在 0 和 1 之间的浮点数。 单元的丢弃比例，用于循环层状态的线性转换。
• implementation: 实现模式，1 或 2。 模式 1 将把它的操作结构化为更多的小的点积和加法操作， 而模式 2 将把它们分批到更少，更大的操作中。 这些模式在不同的硬件和不同的应用中具有不同的性能配置文件。
• return_sequences: 布尔值。是返回输出序列中的最后一个输出，还是全部序列，True的话返回全部序列，False返回最后一个输出，默认为False。
• return_state: 布尔值。除了输出之外是否返回最后一个状态。
• go_backwards: 布尔值 (默认 False)。 如果为 True，则向后处理输入序列并返回相反的序列。
• stateful: 布尔值 (默认 False)。 如果为 True，则本批次中索引 i 处的每个样品的最后状态，将用作下一批次中索引 i 样品的初始状态。
• unroll: 布尔值 (默认 False)。 如果为 True，则网络将展开，否则将使用符号循环。 展开可以加速 RNN，但它往往会占用更多的内存。 展开只适用于短序列。