Количество скрытых модулей (также известный как скрытый размер), заданный как положительное целое число.

Количество скрытых модулей соответствует объему информации, который помнят между временными шагами (скрытое состояние). Скрытое состояние может содержать информацию от всех предыдущих временных шагов, независимо от длины последовательности. Если количество скрытых модулей является слишком большим, то слой может сверхсоответствовать к данным тренировки. Это значение может отличаться от нескольких дюжин до нескольких тысяч.

Скрытое состояние не ограничивает количество временных шагов, обрабатываются в итерации. Чтобы разделить ваши последовательности в меньшие последовательности для обучения, используйте опцию 'SequenceLength' в trainingOptions.

Пример: 200

Формат вывода, заданного как одно из следующего:

Введите размер, заданный как положительное целое число или 'auto'. Если InputSize является 'auto', то программное обеспечение автоматически присваивает входной размер в учебное время.

Пример: 100

Функция активации, чтобы обновить ячейку и скрытое состояние, заданное как одно из следующего:

Слой использует эту опцию в качестве функции $${\sigma }_c$$ в вычислениях, чтобы обновить ячейку и скрытое состояние. Для получения дополнительной информации о том, как функции активации используются в слое LSTM, видят Слой Long Short-Term Memory.

Функция активации, чтобы примениться к логическим элементам, заданным как одно из следующего:

Слой использует эту опцию в качестве функции $${\sigma }_g$$ в вычислениях для входа, выводе, и забывают логический элемент. Для получения дополнительной информации о том, как функции активации используются в слое LSTM, видят Слой Long Short-Term Memory.

Начальное значение состояния ячейки, заданного как 2*NumHiddenUnits-by-1 числовой вектор. Это значение соответствует состоянию ячейки на временном шаге 0.

После установки этого свойства вызовы функции resetState устанавливают состояние ячейки на это значение.

Начальное значение скрытого состояния, заданного как 2*NumHiddenUnits-by-1 числовой вектор. Это значение соответствует скрытому состоянию на временном шаге 0.

После установки этого свойства вызовы функции resetState устанавливают скрытое состояние на это значение.

Функция, чтобы инициализировать входные веса, заданные как одно из следующего:

Слой только инициализирует входные веса, когда свойство InputWeights пусто.

Типы данных: char | string | function_handle

Функция, чтобы инициализировать текущие веса, заданные как одно из следующего:

Слой только инициализирует текущие веса, когда свойство RecurrentWeights пусто.

Типы данных: char | string | function_handle

Функция, чтобы инициализировать смещение, заданное как одно из следующего:

Слой только инициализирует смещение, когда свойство Bias пусто.

Типы данных: char | string | function_handle

Введите веса, заданные как матрица.

Входная матрица веса является конкатенацией восьми входных матриц веса для компонентов (логические элементы) в двунаправленном слое LSTM. Эти восемь матриц конкатенированы вертикально в следующем порядке:

Входные веса являются learnable параметрами. При обучении сети, если InputWeights непуст, то trainNetwork использует свойство InputWeights в качестве начального значения. Если InputWeights пуст, то trainNetwork использует инициализатор, заданный InputWeightsInitializer.

В учебное время InputWeights является 8*NumHiddenUnits-by-InputSize матрица.

Текущие веса, заданные как матрица.

Текущая матрица веса является конкатенацией восьми текущих матриц веса для компонентов (логические элементы) в двунаправленном слое LSTM. Эти восемь матриц конкатенированы вертикально в следующем порядке:

Текущие веса являются learnable параметрами. При обучении сети, если RecurrentWeights непуст, то trainNetwork использует свойство RecurrentWeights в качестве начального значения. Если RecurrentWeights пуст, то trainNetwork использует инициализатор, заданный RecurrentWeightsInitializer.

В учебное время RecurrentWeights является 8*NumHiddenUnits-by-NumHiddenUnits матрица.

Смещения слоя, заданные как числовой вектор.

Вектор смещения является конкатенацией восьми векторов смещения для компонентов (логические элементы) в двунаправленном слое LSTM. Эти восемь векторов конкатенированы вертикально в следующем порядке:

Смещения слоя являются learnable параметрами. При обучении сети, если Bias непуст, то trainNetwork использует свойство Bias в качестве начального значения. Если Bias пуст, то trainNetwork использует инициализатор, заданный BiasInitializer.

В учебное время Bias является 8*NumHiddenUnits-by-1 числовой вектор.

Фактор темпа обучения для входных весов, заданных в виде числа или 1 8 числового вектора.

Программное обеспечение умножает этот фактор на глобальный темп обучения, чтобы определить фактор темпа обучения для входных весов слоя. Например, если InputWeightsLearnRateFactor равняется 2, то фактором темпа обучения для входных весов слоя является дважды текущий глобальный темп обучения. Программное обеспечение определяет глобальный темп обучения на основе настроек, заданных с функцией trainingOptions.

Чтобы управлять значением фактора темпа обучения для четырех отдельных матриц в InputWeights, присвойте 1 8 вектор, где записи соответствуют фактору темпа обучения следующего:

Чтобы задать то же значение для всех матриц, задайте неотрицательный скаляр.

Пример: 0.1

Фактор темпа обучения для текущих весов, заданных в виде числа или 1 8 числового вектора.

Программное обеспечение умножает этот фактор на глобальный темп обучения, чтобы определить темп обучения для текущих весов слоя. Например, если RecurrentWeightsLearnRateFactor равняется 2, то темп обучения для текущих весов слоя является дважды текущим глобальным темпом обучения. Программное обеспечение определяет глобальный темп обучения на основе настроек, заданных с функцией trainingOptions.

Чтобы управлять значением изучить уровня для четырех отдельных матриц в RecurrentWeights, присвойте 1 8 вектор, где записи соответствуют фактору темпа обучения следующего:

Чтобы задать то же значение для всех матриц, задайте неотрицательный скаляр.

Пример: 0.1

Пример: [1 2 1 1 1 2 1 1]

Фактор темпа обучения для смещений, заданных как неотрицательный скаляр или 1 8 числовой вектор.

Программное обеспечение умножает этот фактор на глобальный темп обучения, чтобы определить темп обучения для смещений в этом слое. Например, если BiasLearnRateFactor равняется 2, то темп обучения для смещений в слое является дважды текущим глобальным темпом обучения. Программное обеспечение определяет глобальный темп обучения на основе настроек, заданных с функцией trainingOptions.

Чтобы управлять значением фактора темпа обучения для четырех отдельных матриц в Bias, присвойте 1 8 вектор, где записи соответствуют фактору темпа обучения следующего:

Чтобы задать то же значение для всех матриц, задайте неотрицательный скаляр.

Пример 2

Пример: [1 2 1 1 1 2 1 1]

Фактор регуляризации L2 для входных весов, заданных в виде числа или 1 8 числового вектора.

Программное обеспечение умножает этот фактор на глобальный фактор регуляризации L2, чтобы определить фактор регуляризации L2 для входных весов слоя. Например, если InputWeightsL2Factor равняется 2, то фактором регуляризации L2 для входных весов слоя является дважды текущий глобальный фактор регуляризации L2. Программное обеспечение определяет фактор регуляризации L2 на основе настроек, заданных с функцией trainingOptions.

Чтобы управлять значением фактора регуляризации L2 для четырех отдельных матриц в InputWeights, присвойте 1 8 вектор, где записи соответствуют фактору регуляризации L2 следующего:

Чтобы задать то же значение для всех матриц, задайте неотрицательный скаляр.

Пример: 0.1

Пример: [1 2 1 1 1 2 1 1]

Фактор регуляризации L2 для текущих весов, заданных в виде числа или 1 8 числового вектора.

Программное обеспечение умножает этот фактор на глобальный фактор регуляризации L2, чтобы определить фактор регуляризации L2 для текущих весов слоя. Например, если RecurrentWeightsL2Factor равняется 2, то фактором регуляризации L2 для текущих весов слоя является дважды текущий глобальный фактор регуляризации L2. Программное обеспечение определяет фактор регуляризации L2 на основе настроек, заданных с функцией trainingOptions.

Чтобы управлять значением фактора регуляризации L2 для четырех отдельных матриц в RecurrentWeights, присвойте 1 8 вектор, где записи соответствуют фактору регуляризации L2 следующего:

Чтобы задать то же значение для всех матриц, задайте неотрицательный скаляр.

Пример: 0.1

Пример: [1 2 1 1 1 2 1 1]

Фактор регуляризации L2 для смещений, заданных как неотрицательный скаляр.

Программное обеспечение умножает этот фактор на глобальный фактор регуляризации L2, чтобы определить регуляризацию L2 для смещений в этом слое. Например, если BiasL2Factor равняется 2, то регуляризация L2 для смещений в этом слое является дважды глобальным фактором регуляризации L2. Можно задать глобальный фактор регуляризации L2 использование функции trainingOptions.

Чтобы управлять значением фактора регуляризации L2 для четырех отдельных матриц в Bias, присвойте 1 8 вектор, где записи соответствуют фактору регуляризации L2 следующего:

Чтобы задать то же значение для всех матриц, задайте неотрицательный скаляр.

Пример 2

Пример: [1 2 1 1 1 2 1 1]

Имя слоя, заданное как вектор символов или скаляр строки. Если Name установлен в '', то программное обеспечение автоматически присваивает имя в учебное время.

Типы данных: char | string

Количество входных параметров слоя. Этот слой принимает один вход только.

Типы данных: double

Введите имена слоя. Этот слой принимает один вход только.

Типы данных: cell

Количество выходных параметров слоя. Этот слой имеет один вывод только.

Типы данных: double

Выведите имена слоя. Этот слой имеет один вывод только.

Типы данных: cell