【Tensorflow+Keras】tf.keras.layers.Bidirectional()的解析与使用

1 作用

实现RNN类型神经网络的双向构造
RNN类型神经网络比如LSTM、GRU等等

2 参数

tf.keras.layers.Bidirectional(
layer,
merge_mode=‘concat’,
weights=None,
backward_layer=None
)

• layer 神经网络，如RNN、LSTM、GRU
• merge_mode 前向和后向RNN的输出将被组合的模式。{‘sum’，‘mul’，‘concat’，‘ave’，None}中的一个。如果为None，则将不合并输出，它们将作为列表返回。默认值为“ concat”。
• weights
• backward_layer 处理向后输入处理的神经网络，如果未提供，则作为参数传递的图层实例 将用于自动生成后向图层

注意

该层的调用参数与包装的RNN层的调用参数相同。请注意，在initial_state此层的调用期间传递参数时，列表中元素列表的前半部分initial_state 将传递给正向RNN调用，而元素列表中的后半部分将传递给后向RNN调用。

3 举例使用

三十个tf.keras.layers.Bidirectional的例子
导入模块和定义参数

import numpy as np
from tensorflow import keras
from tensorflow.keras import layers

max_features = 20000  # Only consider the top 20k words
maxlen = 200  # Only consider the first 200 words of each movie review

构建模型

# Input for variable-length sequences of integers
inputs = keras.Input(shape=(None,), dtype="int32")
# Embed each integer in a 128-dimensional vector
x = layers.Embedding(max_features, 128)(inputs)
# Add 2 bidirectional LSTMs
x = layers.Bidirectional(layers.LSTM(64, return_sequences=True))(x)
x = layers.Bidirectional(layers.LSTM(64))(x)
# Add a classifier
outputs = layers.Dense(1, activation="sigmoid")(x)
model = keras.Model(inputs, outputs)
model.summary()

加载数据集

(x_train, y_train), (x_val, y_val) = keras.datasets.imdb.load_data(
    num_words=max_features
)
print(len(x_train), "Training sequences")
print(len(x_val), "Validation sequences")
x_train = keras.preprocessing.sequence.pad_sequences(x_train, maxlen=maxlen)
x_val = keras.preprocessing.sequence.pad_sequences(x_val, maxlen=maxlen)

训练和评估模型

model.compile("adam", "binary_crossentropy", metrics=["accuracy"])
model.fit(x_train, y_train, batch_size=32, epochs=2, validation_data=(x_val, y_val))