这篇教程一小时学会TensorFlow2之全连接层写得很实用，希望能帮到您。
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.Densekeras.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512net = 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.SquentialSquential (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: 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xmodel(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51zixue.net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51zixue.net！
pycharm+robot开发及配置指南
一小时学会TensorFlow2之Fashion Mnist |
