tf.layers.dense()用法简介

dense ：全连接层，相当于添加一个层

函数如下：

tf.layers.dense(
  inputs,
  units,
  activation=None,
  use_bias=True,
  kernel_initializer=None,       #卷积核的初始化器
  bias_initializer=tf.zeros_initializer(),   #偏置项的初始化器，默认初始化为0
  kernel_regularizer=None,       #卷积核的正则化，可选
  bias_regularizer=None,     #偏置项的正则化，可选
  activity_regularizer=None,  #输出的正则化函数
  kernel_constraint=None,
  bias_constraint=None,
  trainable=True,
  name=None, #层的名字
  reuse=None #是否重复使用参数
)

部分参数解释：

inputs：输入该网络层的数据

units：输出的维度大小，改变inputs的最后一维

activation：激活函数，即神经网络的非线性变化

use_bias：使用bias为True（默认使用），不用bias改成False即可，是否使用偏置项

trainable=True:表明该层的参数是否参与训练。如果为真则变量加入到图集合中

GraphKeys.TRAINABLE_VARIABLES (see tf.Variable)

在其他网站上看到的使用现象

dense1 = tf.layers.dense(inputs=pool3, units=1024, activation=tf.nn.relu, kernel_regularizer=tf.contrib.layers.l2_regularizer(0.003))

全连接层:
dense1 = tf.layers.dense(inputs=pool3, units=1024, activation=tf.nn.relu)
dense2= tf.layers.dense(inputs=dense1, units=512, activation=tf.nn.relu)
logits= tf.layers.dense(inputs=dense2, units=10, activation=None)

示例：

输出的结果如下所示：

可以看到输出结果的最后一维度就等于神经元的个数，即units的数值（神经元的个数）

在网络中使用全连接层的作用是什么呢: 全连接层：通常在CNN的尾部进行重新拟合，减少特征信息的损失

REFERENCE：https://blog.csdn.net/yangfengling1023/article/details/81774580