参数数量及其作用
tf.layers.dense用于添加一个全连接层。
函数如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
tf.layers.dense( inputs, #层的输入 units, #该层的输出维度 activation=None, #激活函数 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 kernel_regularizer=None, # 卷积核的正则化 bias_regularizer=None, # 偏置项的正则化 activity_regularizer=None, 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：输入该层的数据。
units：该层的输出维度。
activation：激活函数。
use_bias：是否使用偏置项。
trainable=True : 表明该层的参数是否参与训练。
示例
手写体例子，利用两个dense可以构成一个单层网络，在下面例子中，网络的神经元个数为200。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
|
import numpy as npimport tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_datadef compute_accuracy(x_data,y_data): global dense2 y_pre = sess.run(dense2,feed_dict={xs:x_data}) correct_prediction = tf.equal(tf.arg_max(y_data,1),tf.arg_max(y_pre,1)) #判断是否相等 accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) #赋予float32数据类型，求平均。 result = sess.run(accuracy,feed_dict = {xs:batch_xs,ys:batch_ys}) #执行 return resultmnist = input_data.read_data_sets("MNIST_data",one_hot = "true")xs = tf.placeholder(tf.float32,[None,784])ys = tf.placeholder(tf.float32,[None,10])dense1 = tf.layers.dense( xs, 200, activation = tf.nn.tanh, kernel_initializer=tf.random_normal_initializer(mean=0, stddev=0.3), bias_initializer=tf.constant_initializer(0.1), name='fc1')dense2 = tf.layers.dense( dense1, 10, activation = tf.nn.softmax, kernel_initializer=tf.random_normal_initializer(mean=0, stddev=0.3), bias_initializer=tf.constant_initializer(0.1), name='fc2')loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits = dense2, labels = ys),name = 'loss')#label是标签，logits是预测值，交叉熵。train = tf.train.GradientDescentOptimizer(0.5).minimize(loss)init = tf.initialize_all_variables()with tf.Session() as sess: sess.run(init) for i in range(5001): batch_xs,batch_ys = mnist.train.next_batch(100) sess.run(train,feed_dict = {xs:batch_xs,ys:batch_ys}) if i % 1000 == 0: print("训练%d次的识别率为：%f。"%((i+1),compute_accuracy(mnist.test.images,mnist.test.labels))) |
实验结果为：
训练1次的识别率为：0.107400。
训练1001次的识别率为：0.805200。
训练2001次的识别率为：0.822800。
训练3001次的识别率为：0.829400。
训练4001次的识别率为：0.833100。
训练5001次的识别率为：0.835300。
以上就是python人工智能tensorflow函数tf.layers.dense使用方法的详细内容，更多关于tensorflow函数tf.layers.dense的资料请关注服务器之家其它相关文章！
原文链接：https://blog.csdn.net/weixin_44791964/article/details/99685428
