Odpowiedz już dziś na lokalne wydarzenie TensorFlow Everywhere!
Ta strona została przetłumaczona przez Cloud Translation API.
Switch to English

Gęsty

@frozen
public struct Dense<Scalar> : Layer where Scalar : TensorFlowFloatingPoint

Gęsto połączona warstwa sieci neuronowej.

Dense implementuje activation(matmul(input, weight) + bias) operacji activation(matmul(input, weight) + bias) , gdzie weight jest macierzą wagi, bias jest wektorem odchylenia, a activation jest elementarną funkcją aktywacji.

Ta warstwa obsługuje również tensory wagi 3-D z matrycami polaryzacji 2-D. W tym przypadku pierwszy wymiar obu jest traktowany jako rozmiar wsadu, który jest wyrównany z pierwszym wymiarem input i używany jest wariant wsadowy operacji matmul(_:_:) , co oznacza użycie innej wagi i odchylenia dla każdego elementu w partii wejściowej.

  • Macierz wag.

    Deklaracja

    public var weight: Tensor<Scalar>

  • Wektor odchylenia.

    Deklaracja

    public var bias: Tensor<Scalar>

  • Elementowa funkcja aktywacji.

    Deklaracja

    @noDerivative
public let activation: Activation

  • Typ funkcji aktywacji według elementu.

    Deklaracja

    public typealias Activation = @differentiable (Tensor<Scalar>) -> Tensor<Scalar>

  • Tworzy instancję na podstawie podanej wagi, opcjonalnego odchylenia i funkcji aktywacji.

    Uwaga

    obecnie jedynym parametrem różniczkowalności jest weight . bias można uczynić parametrem różniczkowalności po tym, jak Optional warunkowo jest zgodne z Differentiable : TF-499.

    Deklaracja

    @differentiable(wrt: weight)
public init(
  weight: Tensor<Scalar>,
  bias: Tensor<Scalar>? = nil,
  activation: @escaping Activation
)

  • Zwraca dane wyjściowe uzyskane z zastosowania warstwy do danego wejścia.

    Deklaracja

    @differentiable
public func forward(_ input: Tensor<Scalar>) -> Tensor<Scalar>

    Parametry

    input

    Wejście do warstwy.

    Wartość zwracana

    Wyjście.

  • Tworzy Dense warstwę z określonym rozmiarem wejściowym, rozmiarem wyjściowym i funkcją aktywacji według elementów. Macierz wag jest tworzona za pomocą shape [inputSize, outputSize] a wektor odchylenia jest tworzony za pomocą shape [outputSize] .

    Deklaracja

    public init(
  inputSize: Int,
  outputSize: Int,
  activation: @escaping Activation = identity,
  useBias: Bool = true,
  weightInitializer: ParameterInitializer<Scalar> = glorotUniform(),
  biasInitializer: ParameterInitializer<Scalar> = zeros()
)

    Parametry

    inputSize

    Wymiarowość przestrzeni wejściowej.

    outputSize

    Wymiarowość przestrzeni wyjściowej.

    activation

    Funkcja aktywacji do użycia. Wartością domyślną jest identity(_:) .

    weightInitializer

    Inicjator do użycia dla weight .

    biasInitializer

    Inicjator do użycia w przypadku bias .