mindspore.nn.Dense

class mindspore.nn.Dense(in_channels, out_channels, weight_init=None, bias_init=None, has_bias=True, activation=None, dtype=mstype.float32)

全连接层。

适用于输入的密集连接层。公式如下：

\[\text{outputs} = \text{activation}(\text{X} * \text{kernel} + \text{bias}),\]

其中 \(X\) 是输入Tensor， \(\text{activation}\) 是激活函数， \(\text{kernel}\) 是一个权重矩阵，其数据类型与 \(X\) 相同， \(\text{bias}\) 是一个偏置向量，其数据类型与 \(X\) 相同（仅当has_bias为True时）。

警告

在PYNATIVE模式下，如果 bias 为 False， x 不可以大于6D。

参数：

• in_channels (int) - Dense层输入Tensor的空间维度。

• out_channels (int) - Dense层输出Tensor的空间维度。

• weight_init (Union[Tensor, str, Initializer, numbers.Number]) - 权重参数的初始化方法。数据类型与 x 相同。str的值引用自函数 initializer。默认值：None ，权重使用HeUniform初始化。

• bias_init (Union[Tensor, str, Initializer, numbers.Number]) - 偏置参数的初始化方法。数据类型与 x 相同。str的值引用自函数 initializer。默认值：None ，偏差使用Uniform初始化。

• has_bias (bool) - 是否使用偏置向量 \(\text{bias}\) 。默认值： True 。

• activation (Union[str, Cell, Primitive, None]) - 应用于全连接层输出的激活函数。可指定激活函数名，如'relu'，或具体激活函数，如 mindspore.nn.ReLU 。默认值： None 。

• dtype (mindspore.dtype) - Parameter的数据类型。默认值： mstype.float32 。 当 weight_init 是Tensor时，Parameter的数据类型与 weight_init 数据类型一致，其他情况Parameter的数据类型跟 dtype 一致，同理 bias_init 。

输入：

• x (Tensor) - shape为 \((*, in\_channels)\) 的Tensor。参数中的 in_channels 应等于输入中的 \(in\_channels\) 。

输出：

shape为 \((*, out\_channels)\) 的Tensor。

异常：

• TypeError - in_channels 或 out_channels 不是整数。

• TypeError - has_bias 不是bool值。

• TypeError - activation 不是str、Cell、Primitive或者None。

• ValueError - weight_init 的shape长度不等于2，weight_init 的shape[0]不等于 out_channels，或者 weight_init 的shape[1]不等于 in_channels。

• ValueError - bias_init 的shape长度不等于1或 bias_init 的shape[0]不等于 out_channels。

• RuntimeError - 在PYNATIVE模式下， bias 为 False 且 x 大于6D。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> from mindspore import Tensor, nn
>>> import numpy as np
>>> x = Tensor(np.array([[180, 234, 154], [244, 48, 247]]), mindspore.float32)
>>> net = nn.Dense(3, 4)
>>> output = net(x)
>>> print(output.shape)
(2, 4)