mindspore.nn.Dense

class mindspore.nn.Dense(in_channels, out_channels, weight_init='normal', bias_init='zeros', has_bias=True, activation=None)[源代码]

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）。

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：’normal’。

  • 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：’zeros’。

  • 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。

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。

支持平台：

Ascend GPU CPU

样例：

>>> 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)