文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

PR

小问题，全程线上修改...

一键搞定！

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindelec.architecture.FCSequential

class mindelec.architecture.FCSequential(in_channel, out_channel, layers, neurons, residual=True, act='sin', weight_init='normal', has_bias=True, bias_init='default')

全连接层的一个时序容器，按序放入全连接层。

参数：

• in_channel (int) - 输入中的通道数。

• out_channel (int) - 输出中的通道数。

• layers (int) - 层的总数，包括输入/隐藏/输出层。

• neurons (int) - 隐藏层的神经元数量。

• residual (bool) - 隐藏层的残差块的全连接。默认值： True。

• act (Union[str, Cell, Primitive, None]) - 激活应用于全连接层输出的函数，例如 "ReLU"、 "Softmax" 和 "Tanh" 等。默认值： "sin"。

• weight_init (Union[Tensor, str, Initializer, numbers.Number]) - 可训练的初始权重值。数据类型与输入 input 相同。str的值可参考函数 mindspore.common.initializer 。默认值： "normal"。

• has_bias (bool) - 指定图层是否使用偏置向量。默认值： True。

• bias_init (Union[Tensor, str, Initializer, numbers.Number]) - 可训练的初始偏差值。数据类型与输入 input 相同。str的值可参考函数 mindspore.common.initializer 。默认值： "default"。

输入：

• input (Tensor) - shape为 $(\ast ,in\mathrm{\_}channels)$ 的Tensor。

输出：

shape为 $(\ast ,out\mathrm{\_}channels)$ 的Tensor。

异常：

• TypeError - 如果 layers 不是int。

• TypeError - 如果 neurons 不是int。

• TypeError - 如果 residual 不是bool值。

• ValueError - 如果 layers 小于3。

支持平台：

Ascend

样例：

>>> import numpy as np
>>> from mindelec.architecture import FCSequential
>>> from mindspore import Tensor
>>> inputs = np.ones((16, 3))
>>> inputs = Tensor(inputs.astype(np.float32))
>>> net = FCSequential(3, 3, 5, 32, weight_init="ones", bias_init="zeros")
>>> output = net(inputs).asnumpy()
>>> print(output.shape)
(16, 3)