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

第python人工智能tensorflow函数tf.layers.dense使用方法目录参数数量及其作用部分参数解释：示例

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。

importnumpyasnp

importtensorflowastf

fromtensorflow.examples.tutorials.mnistimportinput_data

defcompute_accuracy(x_data,y_data):

globaldense2

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

returnresult

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(

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,

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()

withtf.Session()assess:

sess.run(init)

foriinrange(5001):

batch_xs,batch_ys=mnist.train.next_batch(100)

sess.run(train,feed_dict={xs:batch_xs,ys:batch_ys})

ifi%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。