我似乎无法理解 keras GRU 层中返回状态和返回序列之间的区别。
由于 GRU 单元没有单元状态（它等于输出），返回状态与 keras GRU 层中的返回序列有何不同？
更具体地说，我构建了一个编码器-解码器 LSTM 模型，该模型具有一个编码器层和一个解码器层。编码器层返回其状态(return_state = TRUE)，解码器层使用这些状态作为初始状态(initial_state = encoder_states)。
尝试使用 GRU 层执行此操作时，我不明白编码器和解码器层之间传递了哪些状态。如果您能澄清这一点，请告诉我。提前致谢。
【问题讨论】：
标签： tensorflow machine-learning keras lstm recurrent-neural-network
GRU 层的“状态”通常与“输出”相同。但是，如果您传入return_state=True 和return_sequence=True，则层的输出将是序列的每个元素之后的输出，但状态将只是处理完序列的最后一个元素之后的状态。
这是一个使用 GRU 层的 seq-2-seq 网络的编码器/解码器示例
#Create layers
encoder_input_layer = Input(shape=(None,))
encoder_embedding_layer = Embedding(len(vocab), THOUGHT_VECTOR_SIZE)
encoder_gru_layer = GRU(THOUGHT_VECTOR_SIZE, return_state=True)
decoder_input_layer = Input(shape=(None,))
decoder_embedding_layer = Embedding(len(vocab), THOUGHT_VECTOR_SIZE)
decoder_gru_layer = GRU(THOUGHT_VECTOR_SIZE, return_sequences=True)
decoder_dense_layer = Dense(len(vocab), activation='softmax')
#connect network
encoder = encoder_embedding_layer(encoder_input_layer)
encoder, encoder_state = encoder_gru_layer(encoder)
decoder = decoder_embedding_layer(decoder_input_layer)
decoder = decoder_gru_layer(decoder, initial_state=encoder_state)
decoder = decoder_dense_layer(decoder)
model = Model([encoder_input_layer, decoder_input_layer], decoder)
但就您的观点而言，在这里使用return_state 并不是真正必要的，因为encoder_gru_layer 的输出和状态将是相同的。
【讨论】：
return_state=True 并不是真正必要的。