Keras官方中文文檔：封裝器Wrapper

標籤：current   等價   輸出   lstm   資料   mod   vol   ued   串連   

封裝器WrapperTimeDistributed封裝器

keras.layers.wrappers.TimeDistributed(layer)

該封裝器可以把一個層應用到輸入的每一個時間步上

參數

• layer：Keras層對象

輸入至少為3D張量，下標為1的維度將被認為是時間維

例如，考慮一個含有32個樣本的batch，每個樣本都是10個向量組成的序列，每個向量長為16，則其輸入維度為(32,10,16)，其不包含batch大小的input_shape為(10,16)

我們可以使用封裝器TimeDistributed封裝Dense，以產生針對各個時間步訊號的獨立全串連：

# as the first layer in a modelmodel = Sequential()model.add(TimeDistributed(Dense(8), input_shape=(10, 16)))# now model.output_shape == (None, 10, 8)# subsequent layers: no need for input_shapemodel.add(TimeDistributed(Dense(32)))# now model.output_shape == (None, 10, 32)

程式的輸出資料shape為(32,10,8)

使用TimeDistributed封裝Dense嚴格等價於layers.TimeDistribuedDense。不同的是封裝器TimeDistribued還可以對別的層進行封裝，如這裡對Convolution2D封裝：

model = Sequential()model.add(TimeDistributed(Convolution2D(64, 3, 3), input_shape=(10, 3, 299, 299)))

Bidirectional封裝器

keras.layers.wrappers.Bidirectional(layer, merge_mode=‘concat‘, weights=None)

雙向RNN封裝器

參數

• layer：Recurrent對象
• merge_mode：前向和後向RNN輸出的結合方式，為sum,mul,concat,ave和None之一，若設為None，則傳回值不結合，而是以列表的形式返回

例子

model = Sequential()model.add(Bidirectional(LSTM(10, return_sequences=True), input_shape=(5, 10)))model.add(Bidirectional(LSTM(10)))model.add(Dense(5))model.add(Activation(‘softmax‘))model.compile(loss=‘categorical_crossentropy‘, optimizer=‘rmsprop‘)

艾伯特(http://www.aibbt.com/)國內第一家人工智慧門戶

Keras官方中文文檔：封裝器Wrapper