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。
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Devmax其它相关文章！