脚本之家 服务器常用软件
快捷导航
您的位置：首页 → 脚本专栏 → python → TensorFlow2全连接层

一小时学会TensorFlow2之全连接层

 更新时间：2021年09月08日 11:19:39   作者：我是小白呀  
这篇文章主要介绍了TensorFlow2之全连接层，本文给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下

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.

在这里插入图片描述

keras.layers.Dense

keras.layers.Dense可以帮助我们实现全连接.

在这里插入图片描述

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
)

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512
net = 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.Squential

Squential (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.

在这里插入图片描述

格式:

tf.keras.Sequential(
    layers=None, name=None
)

参数:

  • layers: 添加的层
  • name: 数据名称

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x
model(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脚本之家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脚本之家！

您可能感兴趣的文章:

相关文章

  • python实现两个字典合并,两个list合并

    python实现两个字典合并,两个list合并

    今天小编就为大家分享一篇python实现两个字典合并,两个list合并，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
    2019-12-12
  • Python伪随机数模块random详解

    Python伪随机数模块random详解

    这篇文章主要为大家详细介绍了Python伪随机数模块random，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下，希望能够给你带来帮助
    2022-03-03
  • Python实现ATM系统

    Python实现ATM系统

    这篇文章主要为大家详细介绍了Python实现ATM系统，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
    2020-02-02
  • 对Python中画图时候的线类型详解

    对Python中画图时候的线类型详解

    今天小编就为大家分享一篇对Python中画图时候的线类型详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
    2019-07-07
  • Python3使用pywinauto如何检测需要获取程序元素

    Python3使用pywinauto如何检测需要获取程序元素

    这篇文章主要为大家详细介绍了Python3使用pywinauto如何检测需要获取程序元素,文中的示例代码讲解详细,感兴趣的小伙伴可以参考一下
    2025-02-02
  • Python 实现 WebSocket 通信的过程详解

    Python 实现 WebSocket 通信的过程详解

    WebSocket是一种在Web应用程序中实现双向通信的协议,与传统的HTTP请求-响应模型不同,WebSocket允许服务器主动向客户端推送数据,实现实时性和互动性,这篇文章主要介绍了Python 实现 WebSocket 通信的过程详解,需要的朋友可以参考下
    2024-06-06
  • python执行精确的小数计算方法

    python执行精确的小数计算方法

    今天小编就为大家分享一篇python执行精确的小数计算方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
    2019-01-01
  • Python正则表达式 r'(.*) are (.*?) .*'的深入理解

    Python正则表达式 r'(.*) are (.*?) .*'的深入理解

    日常的开发工作中经常会有处理字符串的需求,简单的字符串处理，我们使用python内置的字符串处理函数就可以了,但是复杂的字符串匹配就需要借助正则表达式了,这篇文章主要给大家介绍了关于Python正则表达式 r‘(.*) are (.*?) .*‘的相关资料,需要的朋友可以参考下
    2022-07-07
  • Django安装配置mysql的方法步骤

    Django安装配置mysql的方法步骤

    这篇文章主要介绍了Django安装配置mysql的方法步骤，小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧
    2018-10-10
  • Python入门基本操作列表排序用法详解

    Python入门基本操作列表排序用法详解

    本篇文中主要介绍列表的基本的组成，怎么访问列表、列表的切片、列表的排序、列表的添加、列表的删除等内容，有需要的朋友可以借鉴参考下，希望能够有所帮助
    2021-09-09

最新评论