Python tf.keras.layers.Dense用法及代碼示例

隻是你的常規densely-connected NN 層。

繼承自：Layer，Module

用法

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
)

Dense 實現操作：output = activation(dot(input, kernel) + bias) 其中activation 是作為activation 參數傳遞的逐元素激活函數，kernel 是層創建的權重矩陣，bias 是創建的偏置向量按層(僅當 use_bias 為 True 時適用)。這些都是 Dense 的所有屬性。

注意：如果層的輸入的秩大於 2，則 Dense 沿 inputs 的最後一個軸和 kernel 的軸 0 計算 inputs 和 kernel 之間的點積(使用tf.tensordot)。例如，如果輸入的維度為 (batch_size, d0, d1) ，那麽我們創建一個形狀為 (d1, units) 的 kernel ，並且 kernel 沿 input 的軸 2 運行，在每個形狀為 (1, 1, d1) 的 sub-tensor 上(有batch_size * d0 這樣的sub-tensors)。在這種情況下，輸出將具有形狀 (batch_size, d0, units) 。

此外，圖層調用一次後，圖層屬性不能修改(trainable屬性除外)。當傳遞一個流行的 kwarg input_shape 時，keras 將創建一個輸入層以插入到當前層之前。這可以等同於顯式定義 InputLayer 。

例子：

# 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)

輸入形狀：

N-D 具有形狀的張量：(batch_size, ..., input_dim)。最常見的情況是形狀為 (batch_size, input_dim) 的 2D 輸入。

輸出形狀：

N-D 具有形狀的張量：(batch_size, ..., units)。例如，對於形狀為 (batch_size, input_dim) 的 2D 輸入，輸出的形狀為 (batch_size, units) 。