锋哥原创的TensorFlow2 Python深度学习视频教程：
https://www.bilibili.com/video/BV1X5xVz6E4w/
课程介绍
本课程主要讲解基于TensorFlow2的Python深度学习知识，包括深度学习概述，TensorFlow2框架入门知识，以及卷积神经网络（CNN），循环神经网络（RNN），生成对抗网络（GAN），模型保存与加载等。
TensorFlow2 Python深度学习 - 循环神经网络（GRU）示例
GRU（门控循环单元，Gated Recurrent Unit）是一种用于处理序列数据的递归神经网络（RNN）模型。它是为了克服传统RNN在长时间序列中训练时遇到的梯度消失问题（即记忆力衰减）而提出的。GRU相较于LSTM（长短时记忆网络），结构更简单，计算效率更高，但能够实现类似的性能。
GRU的工作原理
GRU通过引入两个重要的门控机制来控制信息的流动：
-
更新门（Update Gate）：决定了当前时刻的隐藏状态有多少部分应该被更新，多少部分保留旧的隐藏状态信息。这个门类似于LSTM中的遗忘门和输入门的结合。它通过一个Sigmoid激活函数控制当前输入和上一时刻的隐藏状态对当前时刻的影响。
-
重置门（Reset Gate）：控制遗忘多少旧的隐藏状态信息。它决定了当前时刻输入和过去隐藏状态的结合程度，从而决定了网络保留多少历史信息。通过一个Sigmoid激活函数来计算。
GRU的关键是利用这些门控机制在时间步之间传递信息，从而可以更好地捕获序列数据中的长期依赖性。
tf.keras.layers.GRU(
units,
activation='tanh',
recurrent_activation='sigmoid',
use_bias=True,
kernel_initializer='glorot_uniform',
recurrent_initializer='orthogonal',
bias_initializer='zeros',
dropout=0.0,
recurrent_dropout=0.0,
return_sequences=False,
return_state=False,
go_backwards=False,
stateful=False,
time_major=False,
unroll=False,
reset_after=True,
**kwargs
)核心参数：
units- 核心参数
-
作用：定义GRU层中隐藏单元的数量
-
影响：决定模型的容量和复杂度，值越大表示记忆能力越强
-
选择：通常根据任务复杂度在32-512之间选择
activation- 激活函数
-
作用：定义输出计算的激活函数
-
默认值 ：
'tanh' -
功能：控制候选隐藏状态的计算
recurrent_activation- 循环激活函数
-
作用：定义门控机制的激活函数
-
默认值 ：
'sigmoid' -
功能：控制更新门和重置门的计算
return_sequences- 输出控制
-
作用：控制是否返回所有时间步的输出
-
默认值 ：
False（只返回最后一个时间步） -
应用：
-
False：用于序列分类任务 -
True：用于序列标注或多层GRU堆叠
-
return_state- 状态返回
-
作用：是否返回最后的隐藏状态
-
使用场景：编码器-解码器架构或需要状态传递的场景
dropout- 输入丢弃率
-
作用：输入单元的随机丢弃比例，防止过拟合
-
范围：0.0-1.0，推荐0.2-0.5
recurrent_dropout- 循环丢弃率
-
作用：循环连接的随机丢弃比例
-
功能：专门防止循环连接上的过拟合
reset_after- 重置门位置
-
作用：控制重置门的应用顺序
-
默认值 ：
True（与CuDNN兼容的模式） -
影响：影响计算图和性能，通常保持默认
示例：
import tensorflow as tf
from keras import Input, layers
from keras.src.utils import pad_sequences
# 1. 加载 IMDB 数据集
max_features = 10000 # 使用词汇表中前 10000 个常见单词
maxlen = 100 # 每条评论的最大长度
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.imdb.load_data(num_words=max_features)
print(x_train.shape, x_test.shape)
print(x_train[0])
print(y_train)
# 2. 数据预处理：对每条评论进行填充，使其长度统一
x_train = pad_sequences(x_train, maxlen=maxlen)
x_test = pad_sequences(x_test, maxlen=maxlen)
# 3. 构建 RNN 模型
model = tf.keras.models.Sequential([
Input(shape=(maxlen,)),
layers.Embedding(input_dim=max_features, output_dim=128), # 嵌入层，将单词索引映射为向量 output_dim 嵌入向量的维度（即每个输入词的嵌入表示的长度）
layers.GRU(units=64, dropout=0.2, recurrent_dropout=0.2),
# GRU 层：包含 64 个神经元，激活函数默认使用 tanh dropout表示在每个时间步上丢弃20% recurrent_dropout 递归状态（即隐藏状态）的dropout比率为20%
layers.Dense(1, activation='sigmoid') # 输出层：用于二分类（正面或负面），激活函数为 sigmoid
])
# 4. 模型编译
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
# 5. 模型训练
history = model.fit(x_train, y_train, epochs=5, validation_data=(x_test, y_test), verbose=1)
# 6. 模型评估
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f"Test accuracy: {test_acc}")运行结果：
