tf.keras学习之layers.Dense

参考

tensorflow社区

做什么的？

简单来说就是对原矩阵进行变形，通过矩阵变换（矩阵乘法，偏置，激活函数）达到想要的矩阵形状。

使用

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

units：输出空间的维数。
activation：要使用的激活功能。默认不会应用任何激活（即“线性”激活：）a(x) = x。

// 激活函数
 relu: y = max(0, x)；
 softmax: 将向量变成概率分布. x = [x1, x2, x3],y = [e^x1/sum, e^x2/sum, e^x3/sum], 
 sum = e^x1 + ^x2 + e^x3

use_bias：布尔值，层是否使用偏差矢量。
kernel_initializer：kernel权重矩阵的初始化程序。
bias_initializer：偏置向量的初始化器。
kernel_regularizer：正则化函数应用于kernel权重矩阵。
bias_regularizer：正则化函数应用于偏差向量。
activity_regularizer：正则化函数应用于图层的输出（其“激活”）。
kernel_constraint：约束函数应用于kernel权重矩阵。
bias_constraint：约束函数应用于偏差向量。

例子

model = keras.models.Sequential([
    keras.layers.Flatten(input_shape=[28, 28]),
    keras.layers.Dense(300, activation='relu'),
    #转换成300维的
    keras.layers.Dense(100, activation='relu'),
    #转换成100维的
    keras.layers.Dense(10, activation='softmax')
    #转换成10维的
])