密集層
Dense 類別
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
)
只是您常用的全連接 NN 層。
Dense 實作了以下運算：output = activation(dot(input, kernel) + bias)，其中 activation 是以元素為單位的激活函數，作為 activation 參數傳遞，kernel 是由層建立的權重矩陣，而 bias 是由層建立的偏差向量（僅在 use_bias 為 True 時適用）。這些都是 Dense 的屬性。
注意：如果層的輸入具有大於 2 的秩，則 Dense 會沿著 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)，那麼我們建立一個形狀為 (d1, units) 的 kernel，並且 kernel 在 input 的軸 2 上操作，在每個形狀為 (1, 1, d1) 的子張量上（有 batch_size * d0 個這樣的子張量）。在這種情況下，輸出將具有形狀 (batch_size, d0, units)。
此外，在層被呼叫一次後，層屬性無法修改（trainable 屬性除外）。當傳遞常用的關鍵字參數 input_shape 時，keras 會建立一個輸入層以插入到當前層之前。這可以被視為等同於明確定義 InputLayer。
範例
>>> # 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)
參數
- units：正整數，輸出空間的維度。
- activation：要使用的激活函數。如果您沒有指定任何內容，則不會應用激活函數（即「線性」激活：
a(x) = x）。 - use_bias：布林值，表示該層是否使用偏差向量。
- kernel_initializer：
kernel權重矩陣的初始化器。 - bias_initializer：偏差向量的初始化器。
- kernel_regularizer：應用於
kernel權重矩陣的正規化函數。 - bias_regularizer：應用於偏差向量的正規化函數。
- activity_regularizer：應用於層輸出的正規化函數（其「激活」）。
- kernel_constraint：應用於
kernel權重矩陣的約束函數。 - bias_constraint：應用於偏差向量的約束函數。
輸入形狀
具有形狀的 N 維張量：(batch_size, ..., input_dim)。最常見的情況是具有形狀 (batch_size, input_dim) 的二維輸入。
輸出形狀
具有形狀的 N 維張量：(batch_size, ..., units)。例如，對於形狀為 (batch_size, input_dim) 的二維輸入，輸出將具有形狀 (batch_size, units)。