Denso

@frozen
public struct Dense<Scalar> : Layer where Scalar : TensorFlowFloatingPoint

Una capa de red neuronal densamente conectada.

Dense implementa la operación activation(matmul(input, weight) + bias) , donde weight es una matriz de pesos, bias es un vector de polarización, y activation es una función de activación elemento a elemento.

Esta capa también admite tensores de peso 3-D con matrices de polarización 2-D. En este caso la primera dimensión de ambos es entendido como el tamaño del lote que está alineado con la primera dimensión de input y la variante de lote del matmul(_:_:) operación se utiliza, por lo tanto con un peso y el sesgo diferente para cada elemento en lote de entrada.

• peso

  La matriz de peso.

  Declaración

  public var weight: Tensor<Scalar>

• parcialidad

  El vector de sesgo.

  Declaración

  public var bias: Tensor<Scalar>

• activación

  La función de activación por elementos.

  Declaración

  @noDerivative
  public let activation: Activation

• Activación

  El tipo de función de activación por elementos.

  Declaración

  public typealias Activation = @differentiable (Tensor<Scalar>) -> Tensor<Scalar>

• init (peso: sesgo: activación :)

  Crea una instancia a partir del peso dado, el sesgo opcional y la función de activación.

  Nota

  Actualmente, weight es el único parámetro diferenciabilidad. bias puede hacerse un parámetro diferenciabilidad después Optional ajusta condicionalmente a Differentiable : TF-499.

  Declaración

  @differentiable(wrt: weight)
  public init(
    weight: Tensor<Scalar>,
    bias: Tensor<Scalar>? = nil,
    activation: @escaping Activation
  )

• hacia adelante(_:)

  Devuelve la salida obtenida al aplicar la capa a la entrada dada.

  Declaración

  @differentiable
  public func forward(_ input: Tensor<Scalar>) -> Tensor<Scalar>

  Parámetros

  input

  La entrada a la capa.

  Valor devuelto

  La salida.

• init (inputSize: outputSize: activación: useBias: weightInitializer: biasInitializer :)

  Crea un Dense capa con el tamaño especificado de entrada, el tamaño de salida, y la función de activación de elemento a elemento. La matriz de pesos se crea con forma [inputSize, outputSize] y el vector de sesgo se crea con forma [outputSize] .

  Declaración

  public init(
    inputSize: Int,
    outputSize: Int,
    activation: @escaping Activation = identity,
    useBias: Bool = true,
    weightInitializer: ParameterInitializer<Scalar> = glorotUniform(),
    biasInitializer: ParameterInitializer<Scalar> = zeros()
  )

  Parámetros

  inputSize	La dimensionalidad del espacio de entrada.
  outputSize	La dimensionalidad del espacio de salida.
  activation	La función de activación a utilizar. El valor por defecto es identity(_:) .
  weightInitializer	Inicializador a utilizar para weight .
  biasInitializer	Inicializador a utilizar para bias .