神经网络之全连接层（线性层）

对于神经网络的全连接层，前面已经使用矩阵的运算方式实现过，本篇将引入tensorflow中层的概念， 正式使用deep learning相关的API搭建一个全连接神经网络。下面是全连接神经网络的结构图

 

 

 其中，x1,x2,x3为输入，a1,a2,a3为输出，运算关系如下：

　　

　　

　　

x1,x2,x3所在的层叫神经网络的输入层，a1,a2,a3所在的层叫神经网络的输出层，如果两层中间还有若干层，那么中间的这些层叫做隐藏层。

那么，如何使用tensorflow去创建这样的层呢？其实非常简单，只需要调用tf.keras.layers API即可，示例如下：

# 模拟生成四张 28*28的图片数据
x = tf.random.normal([4,784])
# 搭建全连层，参数代表神经元个数
net = tf.keras.layers.Dense(512)
# 将x喂入net层，得到输出层
out = net(x)
print(out.shape)
print(net.kernel.shape,net.bias.shape)

net = tf.keras.layers.Dense(10)
# 只是声明层结构并不会完成w和b的创建
print(net.get_weights(),net.weights)
# 使用build函数创建层
net.build(input_shape=(None,4))
print(net.kernel.shape,net.bias.shape)
net.build(input_shape=(None,20))
print(net.kernel.shape,net.bias.shape)
net.build(input_shape=(2,4))
print(net.kernel)

如果要实现多层的嵌套，又该怎么做呢？示例如下：

x = tf.random.normal([2,3])
model = keras.Sequential([
    keras.layers.Dense(2,activation='relu'),
    keras.layers.Dense(2,activation='relu'),
    keras.layers.Dense(2)
])
model.build(input_shape=[None,3])
# summary用来显示网络具体信息，相当于print
model.summary()
# 通过下面的语句可以查看所有的w和b
for p in model.trainable_variables:
    print(p.name,p.shape)