可选参数“constants”在keras递归层中有什么作用？

Question

我正在学习用keras构建一个定制的序列到序列模型，并阅读了其他人编写的一些代码，例如here。关于常量的call方法我搞糊涂了。这里有keras"Note on passing external constants to RNNs"，但是我很难理解常量对模型的作用。在

我确实看过了attention model和pointer network文件，但也许我漏掉了一些东西。在

任何模型细节的参考将不胜感激！提前谢谢。在

Answer 1

好吧，作为参考，以防别人无意中发现这个问题：我浏览了经常性.py文件，我认为get_常量是获取dropout mask和recurrent dropout mask，然后将其与[h，c]状态连接起来（这四个元素的顺序在LSTM step方法中是必需的）。之后，对于原始的LSTM单元就不再重要了，但是您可以添加自己的“常量”（在某种意义上说，它不会被学习）以便从一个时间步传递到下一个时间步。所有常量都将隐式地添加到返回的[h，c]状态中。在Keon's example中，返回状态的第五个位置是输入序列，可以通过调用states[-1]在每个时间步中引用它。在