recurrent_initializer 是做什么的？

Question

我正在 tensorflow 和 keras 中试验循环神经网络层，我正在看 recurrent_initializer。我想更多地了解它对层的影响，所以我创建了一个SimpleRnn层如下：

rnn_layer = keras.layers.SimpleRNN(1, return_sequences=True, kernel_initializer = keras.initializers.ones, recurrent_initializer=keras.initializers.zeros, activation="linear")

运行这段代码，使递归网络中的添加可见：

inp = np.zeros(shape=(1,1,20), dtype=np.float32)
for i in range(20):
    inp[0][0][:i] = 5
    #inp[0][0][i:] = 0
    
    print(f"i:{i} {rnn_layer(inp)}"'')

输出：

i:0 [[[0.]]]
i:1 [[[5.]]]
i:2 [[[10.]]]
i:3 [[[15.]]]
i:4 [[[20.]]]
i:5 [[[25.]]]
i:6 [[[30.]]]
i:7 [[[35.]]]
i:8 [[[40.]]]
i:9 [[[45.]]]
i:10 [[[50.]]]
i:11 [[[55.]]]
i:12 [[[60.]]]
i:13 [[[65.]]]
i:14 [[[70.]]]
i:15 [[[75.]]]
i:16 [[[80.]]]
i:17 [[[85.]]]
i:18 [[[90.]]]
i:19 [[[95.]]]

现在我将 recurrent_initializer 更改为不同的内容，例如 glorot_normal 分布：

rnn_layer = keras.layers.SimpleRNN(1, return_sequences=True, kernel_initializer = keras.initializers.ones, recurrent_initializer=keras.initializers.glorot_normal(seed=0), activation="linear")

但我仍然得到相同的结果。我认为这可能取决于某些逻辑，缺少 Rnn 但 LSTM 有，所以我用 lstm 尝试了它，但结果仍然相同。 recurrent_logic我猜是有事的，我还是很怀念。谁能给我解释一下，reccurent_initializers 的目的是什么以及它如何影响循环层？

非常感谢！

Answer 1

你对 RNN 层的输入是形状 (1, 1, 20)，这意味着每个批次有一个时间步长，RNN 的默认行为是在每个批次之间重置状态，所以你看不到效果循环操作（recurrent_initializers）。您必须更改输入序列的长度：

inp = np.ones(shape=(5 ,4,1), dtype=np.float32) # sequence length == 4
rnn_layer1 = tf.keras.layers.LSTM(1,return_state=True, return_sequences=False, 
           kernel_initializer = tf.keras.initializers.ones, 
           recurrent_initializer=tf.keras.initializers.zeros, activation="linear")
rnn_layer2 = tf.keras.layers.LSTM(1,return_state=True , return_sequences=False, 
           kernel_initializer = tf.keras.initializers.ones, 
           recurrent_initializer=tf.keras.initializers.glorot_normal(seed=0), 
           activation="linear")

first_sample = inp[0 : 1 , : ,:  ] #shape(1,4,1)
print(rnn_layer1(first_sample )
print(rnn_layer2(first_sample )

recurrent_initializer 是做什么的？

What does recurrent_initializer do?

deep-learning

keras

tensorflow

recurrent-neural-network