tf.keras.layers.Dense

简介: 【8月更文挑战第20天】tf.keras.layers.Dense。

tf.keras.layers.Dense
tf.keras.layers.Dense可配置的参数,主要有:
units: 神经元个数;
activation: 激活函数;
use_bias: 是否使用偏置项。默认为使用;
kernel_initializer: 创建层权重核的初始化方案;
bias_initializer: 创建层权重偏置的初始化方案;
kernel_regularizer: 应用层权重核的正则化方案;
bias_regularizer: 应用层权重偏置的正则化方案;
activity_regularizer:施加在输出上的正则项,为Regularizer对象;
kernel_constraint: 施加在权重上的约束项;
bias_constraint: 施加在权重上的约束项。

代码:

创建包含32个神经元的全连接层,其中的激活函数设置为sigmoid。

activation参数可以是函数名称字符串,如'sigmoid';也可以是函数对象,如tf.sigmoid。

layers.Dense(32, activation='sigmoid')
layers.Dense(32, activation=tf.sigmoid)

设置kernel_initializer参数

layers.Dense(32, kernel_initializer=tf.keras.initializers.he_normal)

设置kernel_regularizer为L2正则

layers.Dense(32, kernel_regularizer=tf.keras.regularizers.l2(0.01))

输出:

相关文章
|
4月前
|
机器学习/深度学习 TensorFlow API
Keras介绍
【7月更文挑战第27天】Keras介绍。
75 2
|
3月前
|
机器学习/深度学习 Python
tf.keras.layers.LSTM/tf.keras.layers.LSTMCell
【8月更文挑战第20天】tf.keras.layers.LSTM/tf.keras.layers.LSTMCell。
37 1
|
3月前
|
算法框架/工具 数据格式
tf.keras.layers.Conv2D
【8月更文挑战第20天】tf.keras.layers.Conv2D。
33 2
|
3月前
tf.keras.layers.Dense
【8月更文挑战第19天】tf.keras.layers.Dense。
31 1
|
3月前
tf.keras.layers.MaxPooling2D/AveragePooling2D
【8月更文挑战第19天】tf.keras.layers.MaxPooling2D/AveragePooling2D。
34 0
|
3月前
|
机器学习/深度学习
网络层构建(tf.keras.layers)
【8月更文挑战第20天】网络层构建(tf.keras.layers)。
32 2
|
3月前
tf.zeros(), tf.zeros_like(), tf.ones(),tf.ones_like()
【8月更文挑战第11天】tf.zeros(), tf.zeros_like(), tf.ones(),tf.ones_like()。
32 5
|
3月前
|
机器学习/深度学习 TensorFlow 算法框架/工具
【Tensorflow+Keras】tf.keras.layers.Bidirectional()的解析与使用
本文解析了TensorFlow和Keras中的`tf.keras.layers.Bidirectional()`层,它用于实现双向RNN(如LSTM、GRU)的神经网络结构。文章详细介绍了该层的参数配置,并通过实例演示了如何构建含有双向LSTM层的模型,以及如何使用IMDB数据集进行模型训练和评估。
72 8
|
6月前
|
机器学习/深度学习 TensorFlow API
Keras 的模型(Model)和层(Layers)的介绍
Keras 的模型(Model)和层(Layers)的介绍
136 1
|
机器学习/深度学习 PyTorch 算法框架/工具