【483】Keras 中 LSTM 与 BiLSTM 语法

参考：Keras-递归层Recurrent官方说明

参考：Keras-Bidirectional包装器官方说明

LSTM(units=32, input_shape=(10, 64))

• units=32：输出神经元个数
• input_shape=(10, 64)：输入数据形状，10 代表时间序列的长度，64 代表每个时间序列数据的维度

LSTM(units=32, input_dim=64, input_length=10)

• units=32：输出神经元个数
• input_dim=64：每个时间序列数据的维度
• input_length=10：时间序列的长度

☀☀☀<< 举例 >>☀☀☀

?

1 2 3 4 5 6 7 8 9 10 11 12

# 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))

　　

• 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

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

　　双向RNN包装器 

　　参数

• layer：Recurrent对象
• merge_mode：前向和后向RNN输出的结合方式，为sum,mul,concat,ave和None之一，若设为None，则返回值不结合，而是以列表的形式返回

☀☀☀<< 举例 >>☀☀☀

?

1 2 3 4 5 6

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')