tf.contrib.layers.fully_connected参数笔记

tf.contrib.layers.fully_connected

添加完全连接的图层。

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创建一个名为的变量weights，表示一个完全连接的权重矩阵，乘以它inputs产生一个 Tensor隐藏单位。

如果normalizer_fn提供了a （例如 batch_norm），则应用它。否则，如果normalizer_fn为None且biases_initializer提供了a，

biases则将创建变量并添加隐藏单位。最后，如果activation_fn不是None，它也会应用于隐藏单位。

• inputs：至少等级2的张量和最后一个维度的静态值; 即[batch_size, depth]，[None, None, None, channels]。
• num_outputs：整数或长整数，图层中的输出单位数。
• activation_fn：激活功能。默认值是ReLU功能。将其明确设置为“无”以跳过它并保持线性激活。
• normalizer_fn：使用标准化功能代替biases。如果 normalizer_fn提供biases_initializer，biases_regularizer则忽略并且biases不创建也不添加。没有规范化器功能，默认设置为“无”
• normalizer_params：规范化函数参数。
• weights_initializer：权重的初始化程序。
• weights_regularizer：可选的权重正则化器。
• biases_initializer：偏见的初始化程序。如果没有跳过偏见。
• biases_regularizer：偏见的可选正则化器。
• reuse：是否应重用图层及其变量。必须给出能够重用层范围的能力。
• variables_collections：所有变量的集合的可选列表或包含每个变量的不同集合列表的字典。
• outputs_collections：用于添加输出的集合。
• trainable：如果True还将变量添加到图表集合中 GraphKeys.TRAINABLE_VARIABLES（请参阅tf.Variable）。
• scope：variable_scope的可选范围。

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