如何在TensorFlow Keras中指定GRU模型的隐藏循环层数？

首先纠正你的理解：你这段代码没有单独的“输入层”，Keras中input_shape是用来指定输入数据的维度（序列长度+特征数），第一个GRU(units=64)就是第一个循环隐藏层，第二个GRU(units=64)是第二个循环隐藏层，最后Dense(4)是输出层。所以整体结构是：

• 2个GRU隐藏层（各64个神经元）
• 对应两层Dropout（比例0.2）
• 1个全连接输出层（4个神经元）

怎么添加更多循环隐藏层？ #

要添加额外的GRU隐藏层，注意除了最后一个GRU层之外，前面所有新增的GRU层都必须设置return_sequences=True——因为循环层之间需要传递完整的序列时序信息，只有最后一个GRU层后面接全连接层时，才不需要返回完整序列（默认return_sequences=False）。

比如添加第三个GRU层的代码示例：

def create_model(units, m):
    model = Sequential()
    # 第一个GRU层：返回完整序列，供下一层GRU使用
    model.add(m(units=units, return_sequences=True, input_shape=[X_train.shape[1], X_train.shape[2]]))
    model.add(Dropout(0.2))
    # 第二个GRU层：返回完整序列，供下一层GRU使用
    model.add(m(units=units, return_sequences=True))    
    model.add(Dropout(0.2))
    # 第三个GRU层：不返回完整序列，因为后面接全连接层
    model.add(m(units=units))    
    model.add(Dropout(0.2))    
    model.add(Dense(4))
    model.compile(loss='mse', optimizer=MyOptimizer(learning_rate=0.001))
    return model

model_gru = create_model(64, GRU)

如果需要更多层，按照这个逻辑重复添加model.add(m(units=units, return_sequences=True)) + Dropout即可，只保留最后一个GRU层不设置return_sequences（或设为False）。

内容的提问来源于stack exchange，提问作者DaliMidou