tf.contrib.layers.fully_connected參數筆記

tf.contrib.layers.fully_connected

添加完全連接的圖層。

tf.contrib.layers.fully_connected(
    inputs,
    num_outputs,
    activation_fn=tf.nn.relu,
    normalizer_fn=None,
    normalizer_params=None,
    weights_initializer=initializers.xavier_initializer(),
    weights_regularizer=None,
    biases_initializer=tf.zeros_initializer(),
    biases_regularizer=None,
    reuse=None,
    variables_collections=None,
    outputs_collections=None,
    trainable=True,
    scope=None
)

fully_connected創建一個名為的變量weights，表示一個完全連接的權重矩陣，乘以它inputs產生一個 Tensor隱藏單位。

如果normalizer_fn提供了a （例如 batch_norm），則應用它。否則，如果normalizer_fn為None且biases_initializer提供了a，

biases則將創建變量並添加隱藏單位。最后，如果activation_fn不是None，它也會應用於隱藏單位。

 

• inputs：至少等級2的張量和最后一個維度的靜態值; 即[batch_size, depth]，[None, None, None, channels]。
• num_outputs：整數或長整數，圖層中的輸出單位數。
• activation_fn：激活功能。默認值是ReLU功能。將其明確設置為“無”以跳過它並保持線性激活。
• normalizer_fn：使用標准化功能代替biases。如果 normalizer_fn提供biases_initializer，biases_regularizer則忽略並且biases不創建也不添加。沒有規范化器功能，默認設置為“無”
• normalizer_params：規范化函數參數。
• weights_initializer：權重的初始化程序。
• weights_regularizer：可選的權重正則化器。
• biases_initializer：偏見的初始化程序。如果沒有跳過偏見。
• biases_regularizer：偏見的可選正則化器。
• reuse：是否應重用圖層及其變量。必須給出能夠重用層范圍的能力。
• variables_collections：所有變量的集合的可選列表或包含每個變量的不同集合列表的字典。
• outputs_collections：用於添加輸出的集合。
• trainable：如果True還將變量添加到圖表集合中 GraphKeys.TRAINABLE_VARIABLES（請參閱tf.Variable）。
• scope：variable_scope的可選范圍。

 

 參考： https://tensorflow.google.cn/api_docs/python/tf/contrib/layers/fully_connected