Halaman ini diterjemahkan oleh Cloud Translation API.
Switch to English

tf.keras.layers.Dense

TensorFlow 1 versi Lihat sumber di GitHub

Hanya Anda biasa padat terhubung NN lapisan.

Mewarisi Dari: Layer

Digunakan di notebook

Digunakan dalam panduan Digunakan dalam tutorial

Dense alat operasi: output = activation(dot(input, kernel) + bias) dimana activation adalah fungsi aktivasi elemen-bijaksana lulus sebagai activation argumen, kernel adalah bobot matriks yang dibuat oleh layer, dan bias merupakan vektor bias yang dibuat oleh lapisan (hanya berlaku jika use_bias adalah True ).

Selain itu, atribut lapisan tidak dapat diubah setelah lapisan telah dipanggil sekali (kecuali trainable atribut).

Contoh:

# 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 bilangan bulat positif, dimensi dari ruang output.
activation fungsi aktivasi untuk digunakan. Jika Anda tidak menentukan apa-apa, tidak ada aktivasi diterapkan (yaitu "linear" aktivasi:. a(x) = x ).
use_bias Boolean, apakah lapisan menggunakan vektor Bias.
kernel_initializer Initializer untuk kernel matriks bobot.
bias_initializer Initializer untuk vektor Bias.
kernel_regularizer Fungsi Regularizer diterapkan pada kernel matriks bobot.
bias_regularizer Fungsi Regularizer diterapkan pada vektor Bias.
activity_regularizer Fungsi Regularizer diterapkan pada output dari lapisan (yang "aktivasi").
kernel_constraint Fungsi kendala diterapkan pada kernel matriks bobot.
bias_constraint Fungsi kendala diterapkan pada vektor Bias.

bentuk masukan:

ND tensor dengan bentuk: (batch_size, ..., input_dim) . Situasi yang paling umum akan menjadi masukan 2D dengan bentuk (batch_size, input_dim) .

Bentuk Output:

ND tensor dengan bentuk: (batch_size, ..., units) . Misalnya, untuk masukan 2D dengan bentuk (batch_size, input_dim) , output akan memiliki bentuk (batch_size, units) .