【tensorflow-keras-GRU】keras.layers.GRU 门限循环单元网络（Gated Recurrent Unit）_gru参数return_sequences

循环层 Recurrent - Keras 中文文档 https://keras.io/zh/layers/recurrent/#gru

GRU

keras.layers.GRU(units, activation='tanh', recurrent_activation='hard_sigmoid', 
use_bias=True, kernel_initializer='glorot_uniform', recurrent_initializer='orthogonal',
 bias_initializer='zeros', 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, reset_after=False)
1
2
3
4
5
6
7

门限循环单元网络（Gated Recurrent Unit） - Cho et al. 2014.

有两种变体。默认的是基于 1406.1078v3 的实现，同时在矩阵乘法之前将复位门应用于隐藏状态。 另一种则是基于 1406.1078v1 的实现，它包括顺序倒置的操作。

第二种变体与 CuDNNGRU(GPU-only) 兼容并且允许在 CPU 上进行推理。 因此它对于 kernel 和 recurrent_kernel 有可分离偏置。 使用 'reset_after'=True 和 recurrent_activation='sigmoid' 。

参数

• units: 正整数，输出空间的维度。
• activation: 要使用的激活函数 (详见 activations)。 默认：双曲正切 (tanh)。 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 (详见 activations)。 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 (详见 initializers)。
• 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 (详见initializers)。
• bias_initializer:偏置向量的初始化器 (详见initializers).
• kernel_regularizer: 运用到 kernel 权值矩阵的正则化函数 (详见 regularizer)。
• recurrent_regularizer: 运用到 recurrent_kernel 权值矩阵的正则化函数 (详见
  regularizer)。
• bias_regularizer: 运用到偏置向量的正则化函数 (详见 regularizer)。
• activity_regularizer: 运用到层输出（它的激活值）的正则化函数 (详见 regularizer)。
• kernel_constraint: 运用到 kernel 权值矩阵的约束函数 (详见 constraints)。
• recurrent_constraint: 运用到 recurrent_kernel 权值矩阵的约束函数 (详见
  constraints)。
• bias_constraint: 运用到偏置向量的约束函数 (详见 constraints)。
• 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。
• 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。
• reset_after:
• GRU 公约 (是否在矩阵乘法之前或者之后使用重置门)。 False =「之前」(默认)，Ture =「之后」( CuDNN 兼容)。