tensorflow2.0筆記10：全連接層和輸出方式！

全連接層和輸出方式！

一、全連接層

1.1、前言介紹

1.2、Fully connected layer(全連接層)

• $input$的$shape$ 和 $build$的$shape$不一致情況

1.3、Muti-layers前面是一層

1.4、實戰演練

• 測試代碼

import tensorflow as tf
from tensorflow import keras
import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'


x = tf.random.normal([2,3])

model = keras.Sequential([
    keras.layers.Dense(2, activation='relu'),
    keras.layers.Dense(2, activation='relu'),
    keras.layers.Dense(2)
])
model.build(input_shape=[None, 3])
model.summary()

for p in model.trainable_variables:
    print(p.name,p.shape)

• 運行結果

1.5、補充tensorflow在pycharm自動補全

• 我們使用的時候可以發現，pycharm中tensorflow2.0的代碼補全功能很不好用；其實不是因爲pycharm的原因，是tensorflow代碼封裝的原因，可以用下面的方式：

from tenorflow.python import keras			#代替下面的
from tensorflow import keras                #代碼補全功能就非常好用了。

原因是因爲： 看tensorflow的源碼，有一個@tf_exportt的裝飾器，帶有這個的都可以用，但是沒有辦法補全。

二、輸出方式

2.1、輸出範圍約束

2.2、實數集範圍R

2.3、輸出範圍[0-1]tf.sigmoid()

• 演示實例：

注意：
1、tf.linspace(start, end, num)：這個函數主要的參數就這三個，start代表起始的值，end表示結束的值，num表示在這個區間裏生成數字的個數，生成的數組是等間隔生成的。start和end這兩個數字必須是浮點數，不能是整數，如果是整數會出錯的，請注意！
2、np.linspace(start, end, num)：主要的參數也是這三個，我們平時用的時候絕大多數時候就是用這三個參數。start代表起始的值，end表示結束的值，num表示在這個區間裏生成數字的個數，生成的數組是等間隔生成的。start和end這兩個數字可以是整數或者浮點數！

2.4、輸出範圍[0-1]tf.nn.softmax()

• 經常應用在分類問題

2.5、輸出範圍[-1~1]tf.nn.softmax()

注意： tanh函數其實是sigmoid函數通過平移實現的，先對y的範圍進行一個放大，放達到0~2，再往下平移了一下。把數值壓縮到-1到1之間。