1. tf.layers.dense()

首先，TensorFlow中封装了全连接层函数 tf.layers.dense()，方便了开发者自己手动构造权重矩阵和偏移矩阵，利用矩阵乘法实现全连接层。

1.1 原理

tf.layers.dense( input, units=k )会在内部自动生成一个权矩阵：kernel 和偏移项：bias，
例如：

• 对于尺寸为[m, n]的二维张量input， tf.layers.dense()会生成：尺寸为[n, k]的权矩阵：kernel，和尺寸为[m, k] 的偏移项：bias。内部的计算过程为y = input * kernel + bias，输出值y的维度为[m, k]。
  

tf.layers.dense()省略了下述过程（省略部分代码），拿简单神经网络手写数字识别案例举例

• 每张照片为像素，即特征值为
  
• 假设我们有[None，]个样本。那么input:[None，784]
  
• bias可以确定为一个 = [1，10]的数据。
  
• 那么，kernel = [784, 10]的二维张量。
  

# 获取真实的数据
    mnist = input_data.read_data_sets("./data/mnist/input_data/", one_hot=True)

    # 1、建立数据的占位符 x [None, 784]    y_true [None, 10]
    with tf.compat.v1.variable_scope("data"):
        x = tf.compat.v1.placeholder(tf.compat.v1.float32, [None, 784])

        y_true = tf.compat.v1.placeholder(tf.compat.v1.int32, [None, 10])

    # 2、建立一个全连接层的神经网络 w [784, 10]   b [10]
    with tf.compat.v1.variable_scope("fc_model"):
        # 随机初始化权重和偏置
        weight = tf.compat.v1.Variable(tf.compat.v1.random.normal([784, 10], mean=0.0, stddev=1.0), name="w")

        bias = tf.compat.v1.Variable(tf.compat.v1.constant(0.0, shape=[10]))

        # 预测None个样本的输出结果matrix [None, 784]* [784, 10] + [10] = [None, 10]
        y_predict = tf.compat.v1.matmul(x, weight) + bias

1.2 相关参数

tf.layers.dense(inputs, units, activation=None, use_bias=True, kernel_initializer=None,
                bias_initializer=tf.zeros_initializer(), kernel_regularizer=None, bias_regularizer=None,
                activity_regularizer=None, trainable=True, name=None, reuse=None
                )

• inputs：tf.layers.dense 的Tensor输入
  . 【样本数、特征值】
  
• units：神经元的个数，【输出空间的维数，改变inputs的最后一维】
  。【手写数字识别中 lable的个数为：10】
  
• activation：激活函数，例如：relu函数
  。None：以默认为保持线性激活。
  
• use_bias：Boolean，表示该层是否使用偏差。
  
• kernel_initializer：权重矩阵的初始化函数；默认None，则使用tf.get_variable使用的默认初始化程序初始化权重。
  
• bias_initializer：偏置的初始化函数。
  
• kernel_regularizer：权重矩阵的正则化函数。
  
• bias_regularizer：正规函数的偏差。
  
• activity_regularizer：输出的正则化函数。
  
• kernel_constraint：默认：None
  
• bias_constraint：默认：None
  
• trainable：Boolean，如果为True，还将变量添加到图集合GraphKeys.TRAINABLE_VARIABLES中
  （请参阅参考资料tf.Variable）。
  
• name：String，图层的名称
  ；具有相同名称的图层将共享权重，但为了避免错误，在这种情况下，我们需要reuse=True。
  
• reuse：是否以同一名称重用前一层的权重。
  

1.3对比：

# 1. 调用tf.compat.v1.layers.dense计算
input = tf.compat.v1.reshape(tf.constant([[1., 2.], [2., 3.]]), shape=[4, 1])
b1 = tf.compat.v1.layers.dense(input,
                               units=2,
                               kernel_initializer=tf.constant_initializer(value=2),  # shape: [1,2]
                               bias_initializer=tf.constant_initializer(value=1))  # shape: [4,2]

# 2. 采用矩阵相乘的方式计算
kernel = tf.compat.v1.reshape(tf.constant([2., 2.]), shape=[1, 2])
bias = tf.compat.v1.reshape(tf.constant([1., 1., 1., 1., 1., 1., 1., 1.]), shape=[4, 2])
b2 = tf.compat.v1.add(tf.matmul(input, kernel), bias)

with tf.compat.v1.Session()as sess:
    sess.run(tf.compat.v1.global_variables_initializer())
    print(sess.run(b1))
    print(sess.run(b2))

输出：
[[3. 3.]
 [5. 5.]
 [5. 5.]
[7. 7.]]
[[3. 3.]
[5. 5.]
[5. 5.]
[7. 7.]]

inputs = tf.compat.v1.ones([4, 10])
inputs2 = tf.compat.v1.ones([3, 30])
a = tf.compat.v1.layers.dense(inputs, 6)
b = tf.compat.v1.layers.dense(inputs2, 7)
print(inputs)
print(inputs2)
print("*"*10)
print(a)
print(b)

输出：
Tensor("ones:0", shape=(4, 10), dtype=float32)
Tensor("ones_1:0", shape=(3, 30), dtype=float32)
**********
Tensor("dense/BiasAdd:0", shape=(4, 6), dtype=float32)
Tensor("dense_1/BiasAdd:0", shape=(3, 7), dtype=float32)