一小时学会TensorFlow2之全连接层
发布日期：2022-01-17 09:03 | 文章来源：源码之家
概述
全链接层 (Fully Connected Layer) 会把一个特质空间线性变换到另一个特质空间, 在整个网络中起到分类器的作用.
keras.layers.Dense
keras.layers.Dense可以帮助我们实现全连接.
格式:
tf.keras.layers.Dense( units, activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros', kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None, **kwargs )
| 参数 | 介绍 |
|---|---|
| units | 正整数, 输出空间维度 |
| activation | 激活函数, 若不指定, 则不适用激活函数 |
| use_bias | 布尔值, 该层是否使用偏置向量 |
| kernel_initializer | kernel权值矩阵的初始化器 |
| bias_initializer | 偏执向量的初始化器 |
| kernel_regulaizer | 运用到偏执项的正则化函数 |
| bias_regularizer | 运用到偏执项的的正则化函数 |
| activity_regulatizer | 运用到层的输出正则化函数 |
| kernel_constrint | 运用到kernel权值矩阵的约束函数 |
| bias_constraint | 运用到偏执向量的约束函数 |
例子:
# 创建正态分布
x = tf.random.normal([256, 784])
# 创建全连接层, 输出为512
net = tf.keras.layers.Dense(512)
out = net(x)
# 调试输出
print("w:", net.kernel.shape)
print("b:", net.bias.shape)
输出结果:
w: (784, 512)
b: (512,)
keras.Squential
Squential (序列模型) 是各层次之间依次顺序的线性关系. 模型结构通过一个列表来制定.
格式:
tf.keras.Sequential( layers=None, name=None )
参数:
- layers: 添加的层
- name: 数据名称
例子:
# 创建正态分布 x = tf.random.normal([256, 784]) # 建立网络模型 model = tf.keras.Sequential([ tf.keras.layers.Dense(256, activation="relu"), tf.keras.layers.Dense(128, activation="relu"), tf.keras.layers.Dense(10, activation="relu"), ]) # 传入x model(x) # 调试输出权重和偏置顶名字和形状 for p in model.trainable_variables: print(p.name, p.shape)
输出结果:
w: (784, 512)
b: (512,)
dense_1/kernel:0 (784, 256)
dense_1/bias:0 (256,)
dense_2/kernel:0 (256, 128)
dense_2/bias:0 (128,)
dense_3/kernel:0 (128, 10)
dense_3/bias:0 (10,)
到此这篇关于一小时学会TensorFlow2之全连接层的文章就介绍到这了,更多相关TensorFlow2全连接层内容请搜索本站以前的文章或继续浏览下面的相关文章希望大家以后多多支持本站！
版权声明：本站文章来源标注为YINGSOO的内容版权均为本站所有，欢迎引用、转载，请保持原文完整并注明来源及原文链接。禁止复制或仿造本网站，禁止在非www.yingsoo.com所属的服务器上建立镜像，否则将依法追究法律责任。本站部分内容来源于网友推荐、互联网收集整理而来，仅供学习参考，不代表本站立场，如有内容涉嫌侵权，请联系alex-e#qq.com处理。
相关文章
关注官方微信