keras GRU层中的返回状态和返回序列有什么不同？
在Keras中，GRU层是一种递归神经网络（RNN）的变种，用于处理序列数据。GRU（Gated Recurrent Unit）层包含返回状态（return_state）和返回序列（return_sequences）这两个参数。
返回状态（return_state）是指在GRU层中，是否返回最后一个时间步的隐藏状态作为输出。如果设置为True，则返回的输出将包括最后一个时间步的隐藏状态，这对于某些任务（如序列到序列的问题）是有用的。如果设置为False，则只返回输出序列。
返回序列（return_sequences）是指在GRU层中，是否返回完整的输出序列作为输出。如果设置为True，则返回完整的输出序列，这对于后续层需要完整序列作为输入的情况是有用的。如果设置为False，则只返回最后一个时间步的输出。
总结起来，返回状态和返回序列的不同在于：
- 返回状态关注的是最后一个时间步的隐藏状态，而返回序列关注的是完整的输出序列。
- 返回状态主要用于后续层需要使用隐藏状态作为输入的情况，而返回序列主要用于后续层需要完整输出序列作为输入的情况。
在具体使用时，可以根据任务需求来决定是否需要设置返回状态和返回序列参数。
腾讯云的相关产品和产品介绍链接地址：
- 腾讯云云服务器CVM（https://cloud.tencent.com/product/cvm）
- 腾讯云容器服务TKE（https://cloud.tencent.com/product/tke）
- 腾讯云人工智能平台AI Lab（https://cloud.tencent.com/product/ailab）
- 腾讯云数据库MySQL版（https://cloud.tencent.com/product/cdb_mysql）
- 腾讯云区块链服务BCS（https://cloud.tencent.com/product/bcs）
以上是腾讯云的一些相关产品，可以根据具体需求选择适合的产品进行使用。
相关·内容
1回答
我似乎无法理解keras GRU层中返回状态和返回序列之间的区别。 由于GRU单元没有单元状态(它等于输出)，那么返回状态与keras GRU层中的返回序列有什么不同呢？ 更具体地说，我构建了一个具有一个编码层和一个解码层的编码器-解码器LSTM模型。编码层返回其状态(return_state = TRUE)，并且解码器层使用这些状态作为初始状态(initial_state = encoder_states)。 在尝试使用GRU层执行此操作时，我不明白在编码器层和解码器层之间传递的是什么状态。如果你能澄清这一点，请告诉我。提前谢谢。
浏览 34提问于2019-02-26得票数 8
class Encoder(tf.keras.Model):
def __init__(self, vocab_size, embedding_dim, enc_units, batch_sz):
super(Encoder, self).__init__()
self.batch_sz = batch_sz
self.enc_units = enc_units
self.embedding = tf.keras.layers.Embedding(vocab_size, embedding_dim)
self.gru = tf.keras.laye
浏览 6提问于2019-11-24得票数 2
回答已采纳
keras.layers.RNN
输入形状三维张量(batch_size，timesteps，input_dim)。
输出形状
if return_state:张量列表。第一个张量是输出。剩下的张量是最后的状态，每个状态都有形状(batch_size，单位)。
如果return_sequences:三维张量与形状(batch_size，时间步骤，单位)。否则，二维张量与形状(batch_size，单位)。
1.我对时间步骤的概念感到困惑。
2.我对如何处理三轴输入的过程感到困惑。
简化代码
import keras
from keras.applications.inception_r
浏览 1提问于2018-10-31得票数 0
回答已采纳
1回答
我正在用Keras编写一个序列到序列模型。由于某些原因，当我尝试在下面的函数中定义模型时：
def define_GRU_models(encoder_input_dim,
output_dim,
activation,
n_units):
# define training encoder #
###########################
# layer 1
encoder_inputs = Input(shape=encoder_input_dim)
l1_encoder = GRU(n_unit
浏览 18提问于2018-09-08得票数 1
回答已采纳
我正在训练RNN，这是我使用tf.keras.layers.GRU层构建的。他们需要很长时间来训练(>2个小时)，所以我将把他们部署到GPU进行训练。我想知道一些关于GPU训练的事情：
tf.keras.layers.CuDNNGRU和tf.keras.layers.GRU (以及tf.keras.layers.LSTM和tf.keras.layers.CuDNNLSTM)有什么区别？我从中了解到，CuDNNGRU层的训练速度比GRU层快，但是层
这两层是否在相同的种子下收敛到不同的结果？
在推理过程中，这两层是否执行相同的操作？
在推理过程中，CuDNN层是否需要GPU？
浏览 1提问于2019-08-05得票数 1
回答已采纳
我想将dropout应用于RNN的输出。例如，在Tensorflow 1.8.0中，我可以这样做：
import tensorflow as tf
import tensorflow.contrib.eager as tfe
tfe.enable_eager_execution()
x = tf.random_uniform((10, 5, 3))
gru_cell1 = tf.contrib.rnn.GRUCell(2)
gru_cell1 = tf.contrib.rnn.DropoutWrapper(gru_cell1, output_keep_prob=0.5)
cell = t
浏览 84提问于2018-06-01得票数 0
在Keras中，您可以按如下方式指定排除层：
model.add(Dropout(0.5))
但是对于GRU单元格，您可以将dropout指定为构造函数中的参数：
model.add(GRU(units=512,
return_sequences=True,
dropout=0.5,
input_shape=(None, features_size,)))
有什么关系呢？其中一个比另一个好吗？
在中，它将其添加为单独的dropout层(参见“使用LSTM进行序列分类”)
浏览 2提问于2018-06-06得票数 18
回答已采纳
我目前正在使用lstm和rnn一段时间。我在tensorflow和keras中都尝试过。然而，有些事情让我真的很困惑。就像在tensorflow中一样，如果我想在for循环中定义多个rnn作为解码器，我可以编写如下代码：
with tf.variable_scope("decoder-rnn") as vs:
# We use an LSTM Cell
cell_utterance = tf.nn.rnn_cell.LSTMCell(hparams.rnn_dim,
fo
浏览 5提问于2018-08-18得票数 0
回答已采纳
2回答
我正在构建一个RNN (LSTM/GRU)，并且我有可变长度的时间序列。如何在完成每个时间序列之后重置状态变量？我想在Keras中这样做，但是如果我必须在Theano (我的后端)构建一个RNN，那也很好。
浏览 5提问于2016-08-15得票数 0
回答已采纳
目前，我正在尝试使用Tensorflow上的Keras对timeseries数据进行分类。我能够运行一个非常简单的模型，但经过一些反馈之后，建议我在一行中使用多个层，并在密集层周围添加TimeDistributed包装器。下面是我试过的模型：
model = Sequential()
model.add(GRU(100, input_shape=(n_timesteps, n_features), return_sequences=True, dropout=0.5))
model.add(GRU(100, return_sequences=True, go_backwards=True, d
浏览 0提问于2019-05-14得票数 1
回答已采纳
我正在尝试弄清楚如何在Keras中使用和functional。
使用非函数式Keras语法，我可以很容易地创建一个GRU模型来屏蔽所有零值，如下所示：
model = tf.keras.Sequential()
model.add( tf.keras.layers.Masking( mask_value = 0.0, input_shape = ( nTimeSteps, nVariables ) ) )
model.add( tf.keras.layers.GRU( 32 ) )
model.add( tf.keras.layers.Dense( 10, activation = "
浏览 19提问于2021-02-23得票数 1
回答已采纳
在Tensorflow中，一些模块的许多功能已被废弃。来自tf.keras.layers的那些已经被推荐了。通过将它们与tf.keras.Sequential (Sequential)或tf.keras.Model (Model)相关联，提供了使用它们的示例。我想知道是否可以在不使用tf.keras.layers (e.g., Dense, Conv1D, etc.)或Model的情况下使用某些类。
以前，我的代码中使用了以下内容：
gru = tf.contrib.rnn.GRUCell(d)
states, output = tf.nn.dynamic_rnn(gru, inputs)
由
浏览 1提问于2019-07-01得票数 1
回答已采纳
我正在尝试将我使用Keras定义的网络转换为tflite。网络如下：
model = tf.keras.Sequential([
# Embedding
tf.keras.layers.Embedding(vocab_size, embedding_dim, batch_input_shape=[BATCH_SIZE, None]),
# GRU unit
tf.keras.layers.GRU(rnn_units, return_sequences=True, stateful=True, recurrent_initializ
浏览 48提问于2020-05-24得票数 3
1回答
添加多个隐藏层角点
、、、、
我有一个使用keras的简单情感分析器，下面是我的代码，在github：上使用keras代码
最初的工作模式是：
from __future__ import print_function
from keras.preprocessing import sequence
from keras.models import Sequential
from keras.layers import Dense, Embedding, Activation
from keras.layers import GRU, LeakyReLU
from keras.datasets import imdb
浏览 1提问于2018-08-21得票数 1
回答已采纳
2回答
为什么GRU层的参数数是9600？
不是应该是((16+32)*32 + 32) *3*2= 9,408吗？
或者重新安排，
32*(16 + 32 + 1)*3*2 = 9408
model = tf.keras.Sequential([
tf.keras.layers.Embedding(input_dim=4500, output_dim=16, input_length=200),
tf.keras.layers.Bidirectional(tf.keras.layers.GRU(32)),
tf.keras.layers.Dense(6, activation
浏览 0提问于2019-08-02得票数 8
回答已采纳
1回答
我使用TensorFlow Functional创建了一个语言翻译模型。
这就是模型
# encoder
encoder = tf.keras.Input(shape=(200, ))
enc_embd = tf.keras.layers.Embedding(vocab_train, embedding_dim)(encoder)
encoder_gru = tf.keras.layers.GRU(units, return_sequences=True, return_state=True)
output_e, hidden_e = encoder_gru(enc_embd)
# dec
浏览 3提问于2021-07-07得票数 2
我对tf.keras.Model进行了子类化，并在for循环中使用tf.keras.layers.GRUCell计算序列'y_t‘(n，timesteps，hidden_units)和最终隐藏状态'h_t’(n，hidden_units)。为了让我的循环输出'y_t'，我在循环的每一次迭代之后更新一个tf.Variable。用model(input)调用模型不是问题，但是当我用调用方法中的for循环对模型进行拟合时，就会得到一个TypeError或ValueError.。
请注意，我不能简单地使用tf.keras.layers.GRU，因为我正在尝试实现这个。本
浏览 1提问于2021-08-05得票数 0
回答已采纳
1回答
我愿意创建一个3层的GRU模型，其中每一层将分别有32,16,8个单元。该模型以模拟量为输入，产生模拟量作为输出。 我写了以下代码： def getAModelGRU(neuron=(10), look_back=1, numInputs = 1, numOutputs = 1):
model = Sequential()
if len(neuron) > 1:
model.add(GRU(units=neuron[0], input_shape=(look_back,numInputs)))
for i in range(1,len(n
浏览 99提问于2019-06-20得票数 0
1回答
我正在构造一个具有不同X和Y长度的RNN模型。
从NLP我知道这应该是可能的(也就是说，如果你有一个翻译模型，你将不会有相同的长度输入句子/单词和输出句子/单词.)
不幸的是，这对我不起作用，我得到了以下错误：
ValueError: Dimensions must be equal, but are 3 and 405 for '{{node mean_absolute_error/sub}} = Sub[T=DT_FLOAT](sequential_47/time_distributed_46/Reshape_1, IteratorGetNext:1)' with inpu
浏览 2提问于2022-07-04得票数 0
我成功地训练了一个Keras/TensorFlow模型，该模型由层SimpleRNN、→、Conv1D、→、GRU、→密度层组成。该模型旨在运行在Apple Watch上进行实时推理，这意味着我希望为其提供一个新的特征向量，并预测每个时间步骤的新输出。我的问题是，我不知道如何将数据输入到它，以便卷积层接收来自RNN层的最新k输出。
我可以看到三个选择：
一次给它提供一个特征向量，即(1,1,6)。在这种情况下，我假设卷积层只接收一个时间步长，因此对于所有以前的样本，给它提供了每个时间步骤的最后k个特征向量，即(1,9,6)，其中k=9是CNN的内核长度。在这种情况下，我假设循环层中的状态流不起
浏览 8提问于2022-07-12得票数 0
2回答
我正试图在Keras建立一个RNN。我不太明白所需的输入格式。我可以建立密集的网络没有问题，但我认为RNN层期望输入维x批x时间步长？有人能证实这一点吗？
下面是我想更新的代码：
原始代码：
def get_generative(G_in, dense_dim=200, out_dim=50, lr=1e-3):
x = Dense(dense_dim)(G_in)
x = Activation('tanh')(x)
G_out = Dense(out_dim, activation='tanh')(x)
G = Model(G_in,
浏览 0提问于2019-03-10得票数 0
回答已采纳
我正在构建一个使用递归层(GRUs)将字符串转换为另一个字符串的模型。我尝试过使用密集层和TimeDistributed(密集层)作为最后一层，但我不理解两者在使用return_sequences=True时的区别，特别是因为它们似乎具有相同数量的参数。
我的简化模型如下：
InputSize = 15
MaxLen = 64
HiddenSize = 16
inputs = keras.layers.Input(shape=(MaxLen, InputSize))
x = keras.layers.recurrent.GRU(HiddenSize, return_sequences=Tru
浏览 4提问于2017-06-18得票数 36
回答已采纳
当我学习示例时，有一个问题。
class Decoder(tf.keras.Model):
def __init__(self, vocab_size, embedding_dim, dec_units, batch_sz):
super(Decoder, self).__init__()
self.batch_sz = batch_sz
self.dec_units = dec_units
self.embedding = tf.keras.layers.Embedding(vocab_size, embedding_dim)
self.gru =
浏览 2提问于2019-10-30得票数 0
我想在具有给定架构的训练有素的sentEncoder模型中的第二个TimeDistributed包装器中调用‘Keras’模型中的层，以创建另一个用于进行中间预测的Keras模型。从'docEncoder‘模型中调用层非常简单，但是如何在训练'docEncoder’之后访问sentEncoder中的层呢？
l2_reg = regularizers.l2(reg_param)
sentence_input = Input(shape=(MAX_SENT_LENGTH,), dtype='int32')
embedding_layer = get_embeddin
浏览 3提问于2018-04-19得票数 0
在Keras中，当使用LSTM或GRU时，如果我设置了return_sequences=False，我将得到最后的输出；如果我设置了return_sequences=True，我将获得完整的序列；但是如何同时获得它们呢？
浏览 76提问于2018-12-12得票数 1
回答已采纳
我对如何在TensorFlow中重构以下Pytorch代码感到困惑。它同时使用输入大小x和隐藏大小h来创建GRU层 import torch
torch.nn.GRU(64, 64*2, batch_first=True, return_state=True) 出于本能，我首先尝试了以下几种方法： import tensorflow as tf
tf.keras.layers.GRU(64, return_state=True) 然而，我意识到它并没有真正考虑到h或隐藏的大小。在这种情况下我应该怎么做？
浏览 10提问于2020-10-17得票数 4
1回答
我试图复制本文中的代码，这里用于多标号问题(11个类)，它使用
1- Embedding layer
2- GRU
3- two Feed forward Layers with the ReLU activation function
4- sigmoid unit.
我试图运行这些代码，但它显示了以下错误：
ValueError:检查目标时出错:期望dense_5具有三维，但得到形状为(6838，11)的数组
编辑:错误是固定的。我将"return_sequences“更改为False，并删除flatten()以修复错误。
我的代码:我不确定两个前向层是否正确。在论文中，它的
浏览 0提问于2020-01-31得票数 1
回答已采纳
我正在尝试使用Keras/TensorFlow 2.0在两个阶段训练我的序列模型(RNN->GRU->Dense)，这两个阶段具有不同的损失权重。要更改损失权重，我需要在两个阶段之间重新编译模型。我的问题是在重新编译后训练变得慢得多，除了不再使用GPU之外，我看不到任何其他解释。相关代码如下：
# Build model
input_ = tf.keras.layers.Input(shape=(None, num_features))
masking = tf.keras.layers.Masking(mask_value=0.)(input_)
rnn = tf.keras.l
浏览 1提问于2020-02-28得票数 0
1回答
我想在我的LSTM层之后添加注意。以下是代码。
visible = Input(shape=(251,))
embed=Embedding(vocab_size, 50)(visible)
bilstm = Bidirectional(LSTM(units=25, return_sequences=True))(embed)
att==??
predictions=Dense(1, activation='sigmoid')(att)
keras中有没有像lstm或gru这样的关注层？
浏览 2提问于2018-12-03得票数 2
我对ML框架和python都很陌生。我从获得了keras项目的源代码，我还安装了所有CUDA和Cudnn正确的版本。但是在加载gru模型之后，它会引发一个错误：
ValueError: GRU(reset_after=False)与GRU(reset_after=True).不兼容
有人能帮我吗？谢谢。该函数似乎有一个重载选项。我应该添加一些选项，比如reset_after来启用/禁用它吗？我只是猜。
lstm = load_model('TrafficFlowPrediction/model/lstm.h5')
#error in gru model load
gru = l
浏览 2提问于2020-10-12得票数 2
回答已采纳
1回答
我很困惑如何正确地使用RNN和RNN在角，特别是与GRU单位。keras文档引用了这篇文章()，我知道在所有的时间步骤中都应该使用相同的退出掩码。这是通过退出参数实现的，同时指定GRU层本身。我不明白的是：
为什么在互联网上有几个例子，包括keras自有示例()和Andrew的Coursera中的“触发词检测”分配。模型课程，其中他们添加了一个辍学层显式"model.add( dropout (0.5))“，在我的理解，将增加一个不同的面具，每一次步骤。
上面提到的文件表明，这样做是不适当的，我们可能会失去信号，以及长期记忆，因为积累的这种辍学的噪音在所有的时间-步骤。但是，这
浏览 0提问于2018-05-22得票数 4
回答已采纳
1回答
我正在学习如何构建一个基于seq2seq的模型，并试图通过为编码器和解码器堆叠多个RNN层来扩展它。但是，我在检索对应于编码器隐藏状态的输出时遇到了问题。
下面是我在编码器中构建叠加的双向GRUCell层的代码：
# Encoder initializer
def __init__(self, n_layers, dropout, ...):
...
gru_cells = [layers.GRUCell(units,
recurrent_initializer='glorot_uniform',
浏览 4提问于2020-06-27得票数 0
回答已采纳
1回答
在官方的tensorflow页面上，有一个解码器(https://www.tensorflow.org/tutorials/text/nmt_使用_attention#next_步骤)的实例：
class Decoder(tf.keras.Model):
def __init__(self, vocab_size, embedding_dim, dec_units, batch_sz):
super(Decoder, self).__init__()
self.batch_sz = batch_sz
self.dec_units = dec_units
se
浏览 0提问于2020-03-16得票数 0
2回答
例如，我有二进制数据，比方说: 0，0，0，1，1，0，1，1。对于每个输入，都有相应的输出。假设我们使用异或运算。因此，输出可能如下所示: 0，0，0，1，0，1，1，0。
如何塑造Keras输入形状？如何设置时间步骤？如果我声明时间步骤1对于每一个时间步骤被认为是不同的情况，或者它仍然可以考虑到以前的输入作为序列或学习记忆？
Keras使用LSTM或GRU作为隐藏层。
我试过两种方法来解决这个问题，但似乎没有一种方法成功。这两种方法都停留在37.5 acc。事实上，它一直在猜测1。
方法1：
data = [[[0], [0], [0], [1], [1], [0], [1], [1]]]
浏览 3提问于2018-10-25得票数 3
回答已采纳
通过传递作为层参数的值，可以在Keras中的基本LSTM或GRU层上应用递归下拉列表。
CuDNNLSTM和CuDNNGRU是与CUDA兼容的LSTM和GRU层。主要的优点是他们在训练中的速度是原来的10倍。然而，它们缺乏Keras中LSTM或GRU层的一些优点，即传递辍学或反复辍学的可能性。
虽然我们可以直接在模型中添加Dropout层，但是我们似乎不能通过递归Dropout来实现这一点。
那么，我的问题是：如何在Keras ?中向CuDNNGRU或CuDNNLSTM添加经常性的辍学
浏览 0提问于2018-12-06得票数 5
回答已采纳
1回答
我正在通过的神经机器翻译使用注意机制。
它有用于解码器的下列代码：
class Decoder(tf.keras.Model):
def __init__(self, vocab_size, embedding_dim, dec_units, batch_sz):
super(Decoder, self).__init__()
self.batch_sz = batch_sz
self.dec_units = dec_units
self.embedding = tf.keras.layers.Embedding(vocab_size, embedding_
浏览 3提问于2021-02-15得票数 1
回答已采纳
下面是tf.nn.rnn_cell.DropoutWrapper的使用方法，以GRUcell为例： decoder_cell =tf.nn.rnn_cell.DropoutWrapper(tf.nn.rnn_cell.GRUCell(hidden_size),
input_keep_prob=dropout_ph,
output_keep_prob=dropout_ph)
浏览 26提问于2019-04-12得票数 0
1回答
我使用下面的循环创建了一个堆叠的keras解码器模型： # Create the encoder
# Define an input sequence.
encoder_inputs = keras.layers.Input(shape=(None, num_input_features))
# Create a list of RNN Cells, these are then concatenated into a single layer with the RNN layer.
encoder_cells = []
for hidden_neurons in hparams['
浏览 32提问于2019-02-07得票数 6
我正在用tf.keras和TensorFlow 2.0来编写巴赫达瑙关注的编码器-解码器体系结构。下面是我的代码--这是使用TensorFlow 1.15的代码，但是在2.0中得到了错误。您可以在colab笔记本这里中检查代码。你能告诉我密码有什么问题吗？
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from tensorflow.keras.layers import Input, Dense, Conv2D, BatchNormalization, Activation, Dropout, G
浏览 0提问于2019-12-08得票数 4
1回答
这是我的第一个GRU模型，所以请原谅我的愚蠢。我试图通过训练一个简单的GRU网络学习可变长度序列。序列是张量的numpy数组。numpy数组的长度随样本的不同而不同。模型生成器和fit代码如下：
def declare_model(emb_size, gru_size, num_classes):
inputs = keras.Input(shape=(None, emb_size))
gru_out = keras.layers.Bidirectional(keras.layers.GRU(gru_size, return_sequences=False))(inputs)
浏览 0提问于2023-02-12得票数 0
我有一个用Keras用python编写的简单的GRU网络，如下所示： gru1 = GRU(16, activation='tanh', return_sequences=True)(input)
dense = TimeDistributed(Dense(16, activation='tanh'))(gru1)
output = TimeDistributed(Dense(1, activation="sigmoid"))(dense) 我使用了sigmoid激活作为输出，因为我的目的是分类。但我也需要使用相同的模型进行回归。我需要将输
浏览 30提问于2020-04-23得票数 1
回答已采纳
1回答
我对深度学习有点陌生，我一直在尝试创建一个简单的情感分析器，使用深度学习方法进行自然语言处理，并使用路透社数据集。这是我的代码：
import numpy as np
from keras.datasets import reuters
from keras.preprocessing.text import Tokenizer
from keras.models import Sequential
from keras.layers import Dense, Dropout, GRU
from keras.utils import np_utils
max_length=3000
voca
浏览 1提问于2018-08-14得票数 1
回答已采纳
在构建自定义keras层时，我遇到了一个奇怪的错误。我正在尝试构建一个自定义层，它与GRU层非常相似，但除了sampled_z之外还需要额外的输入，以便在变分自动编码器中执行教师强制。
我成功地构建了VAE模型，如下所示，其中terminal_GRU表示自定义的GRU层。
Model: "VAE"
__________________________________________________________________________________________________
Layer (type) Output Shap
浏览 0提问于2020-05-27得票数 1
我正在尝试实现一个自回归的seq2-seqrnn来预测时间序列数据，。该模型由一个从tf.keras.Model继承的自定义模型类组成，代码如下所示。我已经使用这个模型作为输入数据a (15,108)数据集(尺寸：(序列长度，输入单元))和输出数据a (10,108)数据集的时间序列预测。
尽管培训是成功的，但I没有成功地保存和重新加载该模型，以便在测试集上评估以前培训过的模型。我尝试在互联网上寻找解决方案，但到目前为止，它们似乎都没有起作用。这可能是因为它是一个使用急切执行的自定义模型，因为多线程无法解决在这些情况下保存模型的问题。
有人能告诉我如何解决这个问题吗。任何帮助都是非常感谢的，谢
浏览 27提问于2021-02-09得票数 2
回答已采纳
我想对数据的时间范围进行分类。例如，每5个输入，就有一个输出。但是我的代码拒绝接受我的输出。
model = Sequential()
model.add(GRU(32, input_shape=(TimeStep.TIME_STEP + 1, 10), return_sequences=True, activation='relu'))
model.add(GRU(64, activation='relu', return_sequences=True))
model.add(Dense(2, activation='hard_sigmoid'
浏览 20提问于2019-07-08得票数 0
回答已采纳
1回答
我在训练时对原始模型做了一些修改，我收到了这个错误:我们目前不支持在第一层或子类模型中没有设置input_shape/input_dim的Sequential模型的分布策略。我是个初学者，现在该怎么办呢？如何创建input_shape/input_dim，应该添加到哪里？ ""“ class SASRec(tf.keras.Model):
def __init__(self, item_fea_col, blocks=1, num_heads=1,ffn_hidden_unit=128,max_relative_position=2,dropout=0., maxl
浏览 40提问于2021-11-09得票数 0
我正在尝试制作一个变分自动编码器来学习对DNA序列进行编码，但是我得到了一个意外的错误。
我的数据是一个单热点数组的数组。
我得到的问题是一个值错误。它告诉我我有一个四维输入，而我的输入显然是三维的(100,4008，4)。
事实上，当我打印出seq层时，它的形状是(?，100,4008，4)。
当我取出一个维度时，它会给我一个二维的错误。
任何帮助我们都将不胜感激！
代码为：
from keras.layers import Input
from keras.layers.convolutional import Conv1D
from keras.layers.core import D
浏览 0提问于2017-05-26得票数 7
我试图从一个工作的单输出模型开始构建一个多输出的keras模型。然而，Keras却在抱怨张量维度。
单输出模型：
这个GRU模型正在训练和预测：
timesteps = 250
features = 2
input_tensor = Input(shape=(timesteps, features), name="input")
conv = Conv1D(filters=128, kernel_size=6,use_bias=True)(input_tensor)
b = BatchNormalization()(conv)
s_gru, states = GRU(256,
浏览 4提问于2020-01-30得票数 0
回答已采纳
1回答
我无法从GRU层解释get_weights的结果。这是我的密码-
#Modified from - https://machinelearningmastery.com/understanding-simple-recurrent-neural-networks-in-keras/
from pandas import read_csv
import numpy as np
from keras.models import Sequential
from keras.layers import Dense, SimpleRNN, GRU
from sklearn.preprocessing i
浏览 17提问于2022-06-30得票数 0
回答已采纳
我正在试验BERT嵌入，遵循下面的代码https://github.com/strongio/keras-bert/blob/master/keras-bert.py 以下是代码的重要部分(第265-267行)： bert_output = BertLayer(n_fine_tune_layers=3)(bert_inputs)
dense = tf.keras.layers.Dense(256, activation="relu")(bert_output)
pred = tf.keras.layers.Dense(1, activation="sigmoid
浏览 24提问于2019-06-15得票数 4
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
腾讯会议
实时音视频活动推荐
腾讯云开发者
