比较与tf.compat.v1.layers.Dense的差异
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 |
|
参数10 |
bias_constraint |
- |
由 |
|
参数11 |
trainable |
- |
布尔值,如果为 |
|
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)