TensorFlow函数教程：tf.keras.backend.rnn

tf.keras.backend.rnn函数

tf.keras.backend.rnn(
    step_function,
    inputs,
    initial_states,
    go_backwards=False,
    mask=None,
    constants=None,
    unroll=False,
    input_length=None,
    time_major=False,
    zero_output_for_mask=False
)

定义在：tensorflow/python/keras/backend.py。

在张量的时间维度迭代。

参数：

• step_function：RNN步骤函数。参数：input：具有shape (samples, ...)的张量（没有时间维度），表示在特定时间步骤的一批样品的输入。states：张量列表。返回：output：具有shape (samples, output_dim)的张量 （没有时间维度）。new_states：张量列表，长度和shape与“states”相同。列表中的第一个状态必须是前一个时间步的输出张量。
• inputs：shape为(samples, time, ...) （至少3D）的时间数据的张量，或嵌套张量，并且每个都具有shape (samples, time, ...)。
• initial_states：shape为(samples, state_size) 的张量（无时间维度），包含step函数中使用的状态的初始值。在state_size是嵌套形状的情况下，initial_states的形状也将遵循嵌套结构。
• go_backwards：布尔值。如果为True，则以相反的顺序对时间维度进行迭代，并返回相反的序列。
• mask：shape为(samples, time, 1)的二进制张量，对于每个被屏蔽的元素都为零。
• constants：每个步骤传递的常量值列表。
• unroll：是否展开RNN或使用符号while_loop。
• input_length：如果指定，则假设时间维度为此长度。
• time_major：布尔值。如果为true，则输入和输出将位于shape (timesteps, batch, ...)，而在False情况下，它将是 (batch, timesteps, ...)。使用time_major = True更有效，因为它避免了RNN计算开始和结束时的转置。但是，大多数TensorFlow数据都是批处理主数据，因此默认情况下，此函数接受批处理主要形式的输入并发出输出。
• zero_output_for_mask：布尔值。如果为True，则屏蔽时间步长的输出将为零，而在False情况下，将返回先前时间步长的输出。

返回：

一个元组，(last_output, outputs, new_states)。

last_output：shape为(samples, ...) 输出的rnn的最新输出。

outputs：shape为(samples, time, ...)的张量，其中每个条目 outputs[s, t] 是样本 s 在时间 t 的步骤函数输出值。

new_states：张量列表，步长函数返回的最新状态，shape为(samples, ...)。

可能引发的异常：

• ValueError：如果输入维度小于3。
• ValueError：如果unroll是True，但输入时间步长不是固定数字。
• ValueError：如果提供了mask（非None），但未提供状态（len(states)== 0）。