mindflow.cell.FCSequential

class mindflow.cell.FCSequential(in_channels, out_channels, layers, neurons, residual=True, act='sin', weight_init='normal', has_bias=True, bias_init='default', weight_norm=False)

一个全连接层的顺序容器，按序放入全连接层。

参数：

• in_channels (int) - 输入中的通道数。

• out_channels (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) - 隐藏层是否使用残差网络模块。若为 True，使用残差网络模块。若为 False，使用线性模块。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"。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的值引用函数 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的值引用函数 initializer 。默认值： 'default'。

• weight_norm (bool) - 是否计算权重的平方和。默认值： False。

输入：

• input (Tensor) - shape为 \((*, in\_channels)\) 的Tensor。

输出：

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

异常：

• TypeError - 如果 layers 不是int类型。

• TypeError - 如果 neurons 不是int类型。

• TypeError - 如果 residual 不是bool类型。

• ValueError - 如果 layers 小于3。

支持平台：

Ascend GPU

样例：

>>> import numpy as np
>>> from mindflow.cell 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)