一小时学会TensorFlow2之全连接层

Ruby

发布时间：2026-10-14 | 2人浏览过

原创

本文介绍TensorFlow2中全连接层的实现方法。详细解析keras.layers.Dense的参数配置与权重形状，以及使用Sequential构建多层线性网络模型。通过代码示例展示如何定义层、设置激活函数并查看内部参数，帮助开发者快速掌握基础网络构建。

概述

全连接层（Fully Connected Layer）负责将输入的特征空间进行线性变换，映射到另一个特征空间，在整个神经网络结构中主要承担分类器的角色。

keras.layers.Dense

利用keras.layers.Dense组件可以实现全连接层的功能。

其调用格式如下：


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
)

参数	介绍
units	正整数, 输出空间维度
activation	激活函数, 若不指定, 则不适用激活函数
use_bias	布尔值, 该层是否使用偏置向量
kernel_initializer	`kernel`权值矩阵的初始化器
bias_initializer	偏执向量的初始化器
kernel_regulaizer	运用到偏执项的正则化函数
bias_regularizer	运用到偏执项的的正则化函数
activity_regulatizer	运用到层的输出正则化函数
kernel_constrint	运用到`kernel`权值矩阵的约束函数
bias_constraint	运用到偏执向量的约束函数

具体使用示例如下：


# 创建正态分布
x = tf.random.normal([256, 784])

# 创建全连接层, 输出为512
net = tf.keras.layers.Dense(512)
out = net(x)

# 调试输出
print("w:", net.kernel.shape)
print("b:", net.bias.shape)

运行后的输出结果包含权重和偏置的形状信息：

w: (784, 512) b: (512,)

keras.Squential

Sequential（序列模型）用于构建各层之间呈顺序线性关系的网络结构，模型架构通过一个包含层的列表来指定。

其构造函数格式为：


tf.keras.Sequential(
    layers=None, name=None
)

主要参数说明如下：

layers: 需要添加的网络层列表
name: 模型的名称

完整的模型构建示例如下：


# 创建正态分布
x = tf.random.normal([256, 784])

# 建立网络模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(256, activation="relu"),
    tf.keras.layers.Dense(128, activation="relu"),
    tf.keras.layers.Dense(10, activation="relu"),
])

# 传入x
model(x)

# 调试输出权重和偏置顶名字和形状
for p in model.trainable_variables:
    print(p.name, p.shape)

执行后的输出结果展示了各层的权重和偏置项形状：

w: (784, 512) b: (512,) dense_1/kernel:0 (784, 256) dense_1/bias:0 (256,) dense_2/kernel:0 (256, 128) dense_2/bias:0 (128,) dense_3/kernel:0 (128, 10) dense_3/bias:0 (10,)

至此，关于一小时学会TensorFlow2之全连接层的介绍完毕。如需了解更多TensorFlow2全连接层相关内容，请查阅本站过往文章或继续浏览后续教程，感谢大家的支持！