深度学习2.0-14.神经网络与全连接层之全连接层、输出方式、误差计算

最新推荐文章于 2024-09-03 18:10:16 发布

哎呦-_-不错

最新推荐文章于 2024-09-03 18:10:16 发布

阅读量1k

点赞数 1

文章标签：深度学习神经网络 tensorflow

本BLOG上原创文章未经本人许可，不得用于商业用途，转载请注明出处。

本文链接：https://blog.csdn.net/weixin_46649052/article/details/108973361

版权

本文介绍了深度学习中的全连接层，包括keras.layers.Dense的使用及多层网络构建。讨论了不同类型的输出方式，如实数、sigmoid、softmax和tanh，并详细阐述了误差计算的三种方法：MSE、熵和交叉熵。

摘要由CSDN通过智能技术生成

文章目录

1.全连接层

在这里插入图片描述

1.全连接层-keras.layers.Dense

在这里插入图片描述

2.多层网络-keras.Sequential([layer1,layer2,layer3])

在这里插入图片描述

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
import tensorflow as tf
from tensorflow import keras

x = tf.random.normal([2, 3])
# 多层全连接层
model = keras.Sequential([
    keras.layers.Dense(2, activation='relu'),
    keras.layers.Dense(2, activation=