包裝器Wrapper

TimeDistributed包裝器

keras.layers.wrappers.TimeDistributed(layer)

該包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)

我們可以使用包裝器TimeDistributed包裝Dense，以產生針對各個時間步信號的獨立全連接：

# as the first layer in a model
model = Sequential()
model.add(TimeDistributed(Dense(8), input_shape=(10, 16)))
# now model.output_shape == (None, 10, 8)

# subsequent layers: no need for input_shape
model.add(TimeDistributed(Dense(32)))
# now model.output_shape == (None, 10, 32)
 

程序的輸出數據shape為(32,10,8)

使用TimeDistributed包裝Dense嚴格等價於layers.TimeDistribuedDense。不同的是包裝器TimeDistribued還可以對別的層進行包裝，如這裏對Convolution2D包裝：

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

Bidirectional包裝器

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

雙向RNN包裝器

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，則返回值不結合，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/)國內第一家人工智能門戶

Keras官方中文文檔：包裝器Wrapper