python人工智能tensorflow函数tf.layers.dense使用方法

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：

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。

import numpy as np
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
def 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 result
mnist = 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。

来源：https://blog.csdn.net/weixin_44791964/article/details/99685428