比较与tf.compat.v1.layers.Dense的功能差异

tf.compat.v1.layers.Dense

class tf.compat.v1.layers.Dense(
    units,
    activation=None,
    use_bias=True,
    kernel_initializer=None,
    bias_initializer=tf.compat.v1.zeros_initializer(),
    kernel_regularizer=None,
    bias_regularizer=None,
    activity_regularizer=None,
    kernel_constraint=None,
    bias_constraint=None,
    trainable=True,
    name=None,
    **kwargs
)(x) -> Tensor

更多内容详见tf.compat.v1.layers.Dense。

mindspore.nn.Dense

class mindspore.nn.Dense(
    in_channels,
    out_channels,
    weight_init='normal',
    bias_init='zeros',
    has_bias=True,
    activation=None
)(x) -> Tensor

更多内容详见mindspore.nn.Dense。

差异对比

TensorFlow：全连接层，实现矩阵相乘的运算。

MindSpore：MindSpore此API实现功能与TensorFlow基本一致。

分类	子类	TensorFlow	MindSpore	差异
参数	参数1	units	out_channels	功能一致，参数名称不同
	参数2	activation	activation	-
	参数3	use_bias	has_bias	功能一致，参数名称不同
	参数4	kernel_initializer	weight_init	功能一致，参数名称不同
	参数5	bias_initializer	bias_init	功能一致，参数名称不同
	参数6	kernel_regularizer	-	权重矩阵的正则函数。MindSpore无此参数
	参数7	bias_regularizer	-	偏差的正则化函数。MindSpore无此参数
	参数8	activity_regularizer	-	输出的正则化函数。MindSpore无此参数
	参数9	kernel_constraint	-	在 Optimizer 程序更新后将应用于内核的可选投影函数（例如，用于实现规范约束或层权重的值约束）。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（形状必须相同）。在进行异步分布式训练时，使用约束并不安全。MindSpore无此参数
	参数10	bias_constraint	-	由 Optimizer更新后要应用于偏差的可选投影函数。MindSpore无此参数
	参数11	trainable	-	布尔值，如果为 True ，则还将变量添加到图形集合 GraphKeys.TRAINABLE_VARIABLES。MindSpore无此参数
	参数12	name	-	不涉及
	参数13	**kwargs	-	不涉及
	参数14	-	in_channels	输入的空间维度，TensorFlow无此参数
输入	单输入	x	x	-

代码示例

两API实现功能一致，用法相同。

# TensorFlow
import tensorflow as tf
from tensorflow.compat.v1 import layers
import numpy as np

model = layers.Dense(4)
x = tf.constant(np.array([[180, 234, 154], [244, 48, 247]]),dtype=tf.float32)
output = model(x)
print(output.shape)
# (2, 4)

# MindSpore
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)