稠密层
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
)
普通的全连接神经网络层。
Dense 实现以下操作：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：如果层的输入的秩大于 2，则 Dense 会沿着 inputs 的最后一个轴和 kernel 的轴 0 计算 inputs 和 kernel 之间的点积（使用 tf.tensordot）。例如，如果输入的维度为 (batch_size, d0, d1)，则我们创建一个形状为 (d1, units) 的 kernel，并且 kernel 沿着 input 的轴 2 操作，对形状为 (1, 1, d1) 的每个子张量进行操作（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，在层被调用一次后，层属性不能被修改（除了 trainable 属性）。当传递常用的关键字参数 input_shape 时，Keras 将创建一个输入层插入到当前层之前。这可以被视为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（即“线性”激活：
a(x) = x）。 - use_bias：布尔值，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 2D 输入，形状为 (batch_size, input_dim)。
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，输出的形状将为 (batch_size, units)。