概述

全鏈接層 (Fully Connected Layer) 會把一個特質(zhì)空間線性變換到另一個特質(zhì)空間, 在整個網(wǎng)絡(luò)中起到分類器的作用.

keras.layers.Dense

keras.layers.Dense可以幫助我們實現(xiàn)全連接.

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
)

例子:

# 創(chuàng)建正態(tài)分布
x = tf.random.normal([256, 784])
# 創(chuàng)建全連接層, 輸出為512
net = tf.keras.layers.Dense(512)
out = net(x)
# 調(diào)試輸出
print("w:", net.kernel.shape)
print("b:", net.bias.shape)

輸出結(jié)果:

w: (784, 512)
b: (512,)

keras.Squential

Squential (序列模型) 是各層次之間依次順序的線性關(guān)系. 模型結(jié)構(gòu)通過一個列表來制定.

格式:

tf.keras.Sequential(
 layers=None, name=None
)

參數(shù):

• layers: 添加的層
• name: 數(shù)據(jù)名稱

例子:

# 創(chuàng)建正態(tài)分布
x = tf.random.normal([256, 784])
# 建立網(wǎng)絡(luò)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"),
])
# 傳入x
model(x)
# 調(diào)試輸出權(quán)重和偏置頂名字和形狀
for p in model.trainable_variables:
 print(p.name, p.shape)

輸出結(jié)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,)

到此這篇關(guān)于一小時學(xué)會TensorFlow2之全連接層的文章就介紹到這了,更多相關(guān)TensorFlow2全連接層內(nèi)容請搜索本站以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持本站！

版權(quán)聲明：本站文章來源標(biāo)注為YINGSOO的內(nèi)容版權(quán)均為本站所有，歡迎引用、轉(zhuǎn)載，請保持原文完整并注明來源及原文鏈接。禁止復(fù)制或仿造本網(wǎng)站，禁止在非www.sddonglingsh.com所屬的服務(wù)器上建立鏡像，否則將依法追究法律責(zé)任。本站部分內(nèi)容來源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來，僅供學(xué)習(xí)參考，不代表本站立場，如有內(nèi)容涉嫌侵權(quán)，請聯(lián)系alex-e#qq.com處理。