Keras Dense
Dense就是常用的全连接层，所实现的运算是output = activation(dot(input, kernel)+bias)。其中activation是逐元素计算的激活函数，kernel是本层的权值矩阵，bias为偏置向量，只有当use_bias=True才会添加。
如果本层的输入数据的维度大于2，则会先被压为与kernel相匹配的大小。
————————————————
版权声明：本文为CSDN博主「lvkx」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_42146047/article/details/108416028
=================================================
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)
参数解释如下（黑体为常用参数）：
units ：代表该层的输出维度或神经元个数, units解释为神经元个数为了方便计算参数量，解释为输出维度为了方便计算维度
activation=None：激活函数.但是默认 liner (详见API的activation)
use_bias=True：布尔值，该层是否使用偏置向量b
kernel_initializer：初始化w权重 (详见API的initializers)
bias_initializer：初始化b权重 (详见API的initializers)
kernel_regularizer：施加在权重w上的正则项 (详见API的regularizer)
bias_regularizer：施加在偏置向量b上的正则项 (详见API的regularizer)
activity_regularizer：施加在输出上的正则项 (详见API的regularizer)
kernel_constraint：施加在权重w上的约束项 (详见API的constraints)
bias_constraint：施加在偏置b上的约束项 (详见API的constraints)
链接：https://blog.csdn.net/weixin_44551646/article/details/112911215
=================================================
2.1 示例1：
dense层为输入层
# 作为 Sequential 模型的第一层，需要指定输入维度。可以为 input_shape=(16,) 或者 input_dim=16，这两者是等价的。
model = Sequential()
model.add(Dense(32, input_shape=(16,))) #其输出数组的尺寸为 (*, 32)，模型以尺寸(*, 16) 的数组作为输入
# 在第一层之后，就不再需要指定输入的尺寸了：
model.add(Dense(32))
⚠️：作为 Sequential 模型的第一层，需要指定输入维度input_shape。
注意与input_dim区分：
input_shape是指输入张量的shape
input_dim是指的张量的维度
比如，一个一阶的张量[1,2,3]的shape是(3,)，input_dim = 1（因为是一阶）
一个二阶的张量[[1,2,3],[4,5,6]]的shape是(2,3)，input_dim = 2（因为是二阶）
一个三阶的张量[[[1],[2],[3]],[[4],[5],[6]]]的shape是(2,3,1)，input_dim = 3（因为是三阶）
相反，如果input_dim=784，说明输入是一个784维的向量，这相当于一个一阶的张量，它的shape就是(784,)。因此，input_shape=(784,)。
2.2 示例2：
dense层为中间层
这里使用的是Sequential模型，同时展示了dense作为输入层，中间层和输出层
from keras.models import Sequential
from keras.layers.core import Dense, Dropout, Activation
model = Sequential() # 顺序模型
# 输入层
model.add(Dense(7, input_shape=(4,))) # Dense作第一层要写input—_shape
model.add(Activation('sigmoid')) # 激活函数
# 隐层
model.add(Dense(13)) # Dense层为中间层
model.add(Activation('sigmoid')) # 激活函数
# 输出层
model.add(Dense(5))
model.add(Activation('softmax'))
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=["accuracy"])
model.summary()
2.3 示例3：
dense层为输出层
这里使用的是Model模型，展示了dense层为输出层
from tensorflow.python.keras import *
from tensorflow.python.keras.layers import *
x=Input(shape=(5,))
y=Dense(1,activation='softmax')(x)
model=Model(inputs=x,outputs=y)
model.summary()
链接：https://blog.csdn.net/weixin_44551646/article/details/112911215
