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
)

即一个常规的全连接神经网络层。

Dense 层执行以下操作： output = activation(dot(input, kernel) + bias)，其中 activation 是作为 activation 参数传入的逐元素激活函数，kernel 是由该层创建的权重矩阵，bias 是由该层创建的偏置向量（仅当 use_bias 为 True 时适用）。这些都是 Dense 的属性。

注意：如果该层的输入张量的秩大于 2，则 Dense 层会沿着 inputs 的最后一个轴和 kernel 的轴 0 计算 inputs 和 kernel 的点积（使用 tf.tensordot）。例如，如果输入维度为 (batch_size, d0, d1)，则我们会创建一个形状为 (d1, units) 的 kernel，并且 kernel 将沿着 input 的轴 2 对每个形状为 (1, 1, d1) 的子张量进行操作（共有 batch_size * d0 个这样的子张量）。在这种情况下，输出的形状将为 (batch_size, d0, units)。

此外，层属性在层被调用一次后无法修改（trainable 属性除外）。当传入常用的关键字参数 input_shape 时，Keras 将创建一个输入层并插入到当前层之前。这等同于显式定义一个 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，则不应用任何激活函数（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：用于 kernel 权重矩阵的初始化器。
bias_initializer：用于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

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

输出形状

形状为 (batch_size, ..., units) 的 N 维张量。例如，对于形状为 (batch_size, input_dim) 的 2D 输入，输出形状将为 (batch_size, units)。

全连接层

Dense 类

全连接层

Dense 类

`Dense` 类