Se usó la API de Cloud Translation para traducir esta página.
Switch to English

tf.keras.layers.Dense

Versión de TensorFlow 1 Ver fuente en GitHub

Solo su capa NN regular densamente conectada.

Hereda de: Layer

Usado en los cuadernos

Usado en la guía Usado en los tutoriales

Dense implementa la operación: output = activation(dot(input, kernel) + bias) donde la activation es la función de activación por elementos que se pasa como argumento de activation , el kernel es una matriz de pesos creada por la capa y el bias es un vector de sesgo creado por capa (solo se aplica si use_bias es True ).

Además, los atributos de la capa no se pueden modificar después de que la capa se haya llamado una vez (excepto el atributo trainable ).

Ejemplo:

# 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)

units Entero positivo, dimensionalidad del espacio de salida.
activation Función de activación a utilizar. Si no especifica nada, no se aplica ninguna activación (es decir, activación "lineal": a(x) = x ).
use_bias Booleano, si la capa utiliza un vector de sesgo.
kernel_initializer Inicializador para la matriz de ponderaciones del kernel .
bias_initializer Inicializador para el vector de polarización.
kernel_regularizer Función de regularizador aplicada a la matriz de ponderaciones del kernel .
bias_regularizer Función de regularizador aplicada al vector de sesgo.
activity_regularizer Función de regularizador aplicada a la salida de la capa (su "activación").
kernel_constraint Función de restricción aplicada a la matriz de ponderaciones del kernel .
bias_constraint Función de restricción aplicada al vector de sesgo.

Forma de entrada:

Tensor ND con forma: (batch_size, ..., input_dim) . La situación más común sería una entrada 2D con forma (batch_size, input_dim) .

Forma de salida:

Tensor ND con forma: (batch_size, ..., units) . Por ejemplo, para una entrada 2D con forma (batch_size, input_dim) , la salida tendría forma (batch_size, units) .