Class Dense:全连接层
该层实现了outputs=activation(inputs*kernel+bias),其中激活函数是作为参数提供的，kernel是该层创建的权重矩阵，而bias是该层创建的偏置向量(仅当use_bias为True)。
参数：
units:Integer或者Long，输出空间的维度activation:激活函数，如果设置为None则是线性激活use_bias:是否适用偏置向量kernel_initializer:权重矩阵的初始化函数，如果为None（默认），权重使用默认的初始化器进行初始化。bias_initializer:偏置项的初始化函数kernel_regualrizer:权重矩阵的正则化函数bias_regularizer:偏置项的正则化函数activity_regularizer:输出的正则化函数kernel_constraint:由优化器更新后应用于kernel的可选投影函数（例如，用于实现层权重的范数约束或值约束）。 该函数必须将未投影的变量作为输入，并且必须返回投影变量（必须具有相同的形状）。 在进行异步分布式训练时，使用约束是不安全的。bias_constraint：在偏置项被优化器更新后，作用于偏置项的可选的投影函数trainable:Boolean,如果为Ture将变量添加到图集合GraphKeys.TRAINABLE_VARIABLES中。name:层的名称。reuse:Boolean,是否根据相同的名称重用先前的层x=tf.Variable(tf.random_normal([2,2]))
y=tf.layers.Dense(10)(x)
init=tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
print(sess.run(x))
print(sess.run(y))
2.tf.layers.dense参数及作用同Dense类
tf.layers.dense(
inputs,
units,
activation=None,
use_bias=True,
kernel_initializer=None,
bias_initializer=tf.zeros_initializer(),
kernel_regularizer=None,
bias_regularizer=None,
activity_regularizer=None,
kernel_constraint=None,
bias_constraint=None,
trainable=True,
name=None,
reuse=None
)
x=tf.Variable(tf.random_normal([10,2]))
y=tf.layers.dense(x,units=100)
print(y)
输出：Tensor("dense_9/BiasAdd:0", shape=(10, 100), dtype=float32)
3.tf.layers.DropoutClass Dropout:对输入进行Dropout
Dropout包括在训练期间每次更新时随机将输入单元的分数率设置为0，这有助于防止过度拟合。 保留的单位按1 /（1 - rate）缩放，因此它们的总和在训练时间和推理时间不变。
参数：
rate:Dropout比率，在0和1之间，如rate=0.1，则dropout 10%的输入单元noise_shape:类型为int32的1D张量，表示将与输入相乘的二进制dropout掩码的形状。 例如，如果您的输入具有形状（batch_size，timesteps，features），并且您希望所有时间步长的dropout掩码相同，则可以使用noise_shape = [batch_size，1，features]。seed:一个python整型，用于创建一个随机种子name:层的名称，字符串类型。x=tf.Variable(tf.ones([10,2]))
y=tf.layers.Dropout(rate=0)(x)
init=tf.global_variables_initializer()
sess=tf.Session()
sess.run(init)
print(sess.run(x))
print(sess.run(y))
4.tf.layers.dropout参数及作用同Dropout类。