class mindspore_rl.network.FullyConnectedNet(input_size, hidden_size, output_size, compute_type=mstype.float32)

一个基本的全连接神经网络。

参数：

• input_size (int) - 输入的数量。

• hidden_size (int) - 隐藏层的数量。

• output_size (int) - 输出大小的数量。

• compute_type (mindspore.dtype) - 用于全连接层的数据类型。默认值： mindspore.float32。

样例：

>>> from mindspore import Tensor
>>> from mindspore_rl.network.fully_connected_net import FullyConnectedNet
>>> input = Tensor(np.ones([2, 4]).astype(np.float32))
>>> net = FullyConnectedNet(4, 10, 2)
>>> output = net(input)
>>> print(output.shape)
(2, 2)

construct(x)

返回网络的输出。

参数：

• x (Tensor) - 网络的输入张量。

返回：

网络的输出。

class mindspore_rl.network.FullyConnectedLayers(fc_layer_params, dropout_layer_params=None, activation_fn=nn.ReLU(), weight_init='normal', bias_init='zeros')

这是一个全连接层的模块。用户可以输入任意数量的fc_layer_params，然后该模块可以创建相应数量的全链接层。

参数：

• fc_layer_params (list[int]) - 全连接层输入和输出大小的值列表。例如，输入列表为[10，20，30]，模块将创建两个全连接层， 其输入和输出大小分别为(10, 20)和(20,30)。fc_layer_params的长度应大于等于3。

• dropout_layer_params (list[float]) - 丢弃率的列表。如果输入为[0.5, 0.3]，则在每个全连接层之后将创建两个丢弃层。 dropout_layer_params的长度应小于fc_layer_params。 dropout_layer_params是个可选值。默认值： None。

• activation_fn (Union[str, Cell, Primitive]) - 激活函数的实例。默认值： nn.ReLU()。

• weight_init (Union[Tensor, str, Initializer, numbers.Number]) - 可训练的初始化权重参数。类型与 x 相同。str的值代表 Initializer 函数，如normal、uniform。默认值： ‘normal’。

• bias_init (Union[Tensor, str, Initializer, numbers.Number]) - 可训练的初始化偏置参数。类型与 x 相同。str的值代表 Initializer 函数，如normal、uniform。默认值： ‘zeros’。

输入：

• x (Tensor) - Tensor的shape为 \((*, fc\_layers\_params[0])\)。

输出：

Tensor的shape为 \((*, fc\_layers\_params[-1])\)。

样例：

>>> import numpy as np
>>> from mindspore import Tensor
>>> from mindspore_rl.network.fully_connected_net import FullyConnectedLayers
>>> input = Tensor(np.ones([2, 4]).astype(np.float32))
>>> net = FullyConnectedLayers(fc_layer_params=[4, 10, 2])
>>> output = net(input)
>>> print(output.shape)
(2, 2)

construct(x)

返回网络的输出。

参数：

• x (Tensor) - Tensor的shape为 \((*, fc\_layers\_params[0])\)。

返回：

Tensor的shape为 \((*, fc\_layers\_params[-1])\)。