一小時學(xué)會TensorFlow2之全連接層

更新時間：2021年09月08日 11:19:39 作者：我是小白呀

這篇文章主要介紹了TensorFlow2之全連接層，本文給大家介紹的非常詳細(xì)，對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值，需要的朋友可以參考下

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.

在這里插入圖片描述

keras.layers.Dense

keras.layers.Dense可以幫助我們實(shí)現(xiàn)全連接.

在這里插入圖片描述

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
)

參數(shù)	介紹
units	正整數(shù), 輸出空間維度
activation	激活函數(shù), 若不指定, 則不適用激活函數(shù)
use_bias	布爾值, 該層是否使用偏置向量
kernel_initializer	`kernel`權(quán)值矩陣的初始化器
bias_initializer	偏執(zhí)向量的初始化器
kernel_regulaizer	運(yùn)用到偏執(zhí)項(xiàng)的正則化函數(shù)
bias_regularizer	運(yùn)用到偏執(zhí)項(xiàng)的的正則化函數(shù)
activity_regulatizer	運(yùn)用到層的輸出正則化函數(shù)
kernel_constrint	運(yùn)用到`kernel`權(quán)值矩陣的約束函數(shù)
bias_constraint	運(yùn)用到偏執(zhí)向量的約束函數(shù)

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.

在這里插入圖片描述

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)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: