全连接层

`Dense` 类

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
)

你常规的、全连接的神经网络层。

Dense 实现的操作为：output = activation(dot(input, kernel) + bias)，其中activation是作为activation参数传递的逐元素激活函数，kernel是层创建的权重矩阵，bias是层创建的偏置向量（仅当use_bias为True时适用）。这些都是Dense的属性。

注意：如果层的输入秩大于2，则Dense沿输入的最后一个轴和kernel的第0轴计算inputs和kernel之间的点积（使用tf.tensordot）。例如，如果输入具有维度(batch_size, d0, d1)，那么我们创建一个形状为(d1, units)的kernel，并且kernel沿着输入的轴2操作，对每个形状为(1, 1, d1)的子张量（有batch_size * d0个这样的子张量）。在这种情况下，输出的形状将是(batch_size, d0, units)。

此外，在层被调用一次之后，除了trainable属性之外，层属性都不能被修改。当传入一个流行的关键字参数input_shape时，Keras将创建一个输入层并将其插入到当前层之前。这可以被视为显式定义InputLayer。

示例

>>> # Create a `Sequential` model and add a Dense layer as the first layer.
>>> model = tf.keras.models.Sequential()
>>> model.add(tf.keras.Input(shape=(16,)))
>>> model.add(tf.keras.layers.Dense(32, activation='relu'))
>>> # Now the model will take as input arrays of shape (None, 16)
>>> # and output arrays of shape (None, 32).
>>> # Note that after the first layer, you don't need to specify
>>> # the size of the input anymore:
>>> model.add(tf.keras.layers.Dense(32))
>>> model.output_shape
(None, 32)

参数

units：正整数，输出空间的维度。
activation：要使用的激活函数。如果不指定任何内容，则不应用激活（即“线性”激活：a(x) = x）。
use_bias：布尔值，表示该层是否使用偏置向量。
kernel_initializer：kernel 权重矩阵的初始化器。
bias_initializer：偏置向量的初始化器。
kernel_regularizer：应用于 kernel 权重矩阵的正则化函数。
bias_regularizer：应用于偏置向量的正则化函数。
activity_regularizer：应用于层输出（其“激活”）的正则化函数。
kernel_constraint：应用于 kernel 权重矩阵的约束函数。
bias_constraint：应用于偏置向量的约束函数。

输入形状

N维张量，形状为：(batch_size, ..., input_dim)。最常见的情况是形状为(batch_size, input_dim)的2D输入。

输出形状

N维张量，形状为：(batch_size, ..., units)。例如，对于形状为(batch_size, input_dim)的2D输入，输出的形状将是(batch_size, units)。

全连接层

Dense 类

全连接层

Dense 类

`Dense` 类