函数原型

tf.keras.layers.Dense(units, activation=None, use_bias=True,kernel_initializer='glorot_uniform',bias_initializer='zeros', kernel_regularizer=None,bias_regularizer=None,activity_regularizer=None, kernel_constraint=None,bias_constraint=None, **kwargs
)

函数说明

全连接层用于将一个特征空间线性变化到另一个特征空间，在整个神经网络中起到分类器的作用。

全连接层的每一个节点都与上一层每个节点连接，把前一层的输出特征都综合起来，因为用到了所有的局部特征，所有叫全连接。全连接层一般用于模型的最后一层，通过将样本的隐藏特征空间映射到样本标记空间，最终实现样本分类的目的。

全连接层在tensorflow里面用Dense函数来定义，实现的运算为output = activation(dot(input, kernel) + bias)。其中input为输入数据，kernel为核矩阵，由参数kernel_initializer定义，dot为两个矩阵的点积运算， bias为偏置矩阵，由参数bias_initializer定义，activation为激活函数。

参数use_bias表示是否使用偏置矩阵，默认为True。如果use_bias=False，则输出矩阵的运算结果output = activation(dot(input, kernel))。

还有第一个参数units，定义了输出空间的维度。怎么理解呢？如果上一层输出形状为(None, 32)，通过Dense(units=16)层后，输出形状为(None, 16)；如果输出形状为(None, 32, 32)，通过Dense(units=16)层后，输出形状为(None, 32, 16)。更准确的说，这个参数改变了输出空间最后一维的大小。

如果用Dense层作为第一层，需要提供一个input_shape参数来描述输入张量的形状。

函数用法

第一个例子

model = tf.keras.Sequential([# 输入层，输入形状为(None, 32, 64)tf.keras.layers.InputLayer(input_shape=(32, 64)),# 全连接层，输出最后一维维度为32，激活函数为relu，输出形状为(None, 32, 32)tf.keras.layers.Dense(32, activation="relu")
])

Model: "sequential"
_________________________________________________________________Layer (type)                Output Shape              Param #   
=================================================================dense (Dense)               (None, 32, 32)            2080      =================================================================
Total params: 2,080
Trainable params: 2,080
Non-trainable params: 0
_________________________________________________________________

第二个例子

model = tf.keras.Sequential([# 输入层，输入形状为(None, 32, 64)tf.keras.layers.InputLayer(input_shape=(32, 64)),# 全连接层，输出最后一维维度为32，激活函数为relu，输出形状为(None, 32, 32)tf.keras.layers.Dense(32, activation="relu"),# 展平层，降低输出维度tf.keras.layers.Flatten(),# 全连接层，激活函数为softmax，用于多分类的情形，输出形状为(None, 4)tf.keras.layers.Dense(4, activation="softmax")
])

Model: "sequential"
_________________________________________________________________Layer (type)                Output Shape              Param #   
=================================================================dense (Dense)               (None, 32, 32)            2080      flatten (Flatten)           (None, 1024)              0         dense_1 (Dense)             (None, 4)                 4100      =================================================================
Total params: 6,180
Trainable params: 6,180
Non-trainable params: 0
_________________________________________________________________

第三个例子

model = tf.keras.Sequential([# 输入层，输入形状为(None, 32, 64)tf.keras.Input(shape=(32, 64)),# 全连接层，输出最后一维维度为32，激活函数为relu，输出形状为(None, 32, 32)tf.keras.layers.Dense(32, activation="relu"),# 展平层，降低输出维度tf.keras.layers.Flatten(),# 全连接层，激活函数为relu, 输出形状为(None, 16)tf.keras.layers.Dense(16, activation="relu"),# 全连接层，激活函数为sigmoid，用于二分类的情形，输出形状为(None, 1)tf.keras.layers.Dense(1, activation="sigmoid")
])

Model: "sequential"
_________________________________________________________________Layer (type)                Output Shape              Param #   
=================================================================dense (Dense)               (None, 32, 32)            2080      flatten (Flatten)           (None, 1024)              0         dense_1 (Dense)             (None, 16)                16400     dense_2 (Dense)             (None, 2)                 34        =================================================================
Total params: 18,514
Trainable params: 18,514
Non-trainable params: 0
_________________________________________________________________