fc

paddle.fluid.layers. fc ( input, size, num_flatten_dims=1, param_attr=None, bias_attr=None, act=None, name=None ) [源代码]

全连接层

该OP将在神经网络中构建一个全连接层。其输入可以是一个Tensor（或LoDTensor）或多个Tensor（或LoDTensor）组成的list（详见参数说明），该OP会为每个输入的Tensor创建一个权重（weights）变量，即一个从每个输入单元到每个输出单元的全连接权重矩阵。FC层将每个输入Tensor和其对应的权重(weights)相乘得到shape为

fc - 图1

输出Tensor，其中 M 为batch_size大小。如果有多个输入Tensor，则多个shape为

fc - 图2

的Tensor计算结果会被累加起来，作为最终输出。如果 bias_attr 非空，则会创建一个偏置变量（bias variable），并把它累加到输出结果中。如果 act 非空，将会在输出结果上应用相应的激活函数。

当输入为单个Tensor（或LoDTensor）：

fc - 图3

当输入为多个Tensor（或LoDTensor）组成的list时：

fc - 图4

上述等式中：

  • fc - 图5

    ：输入的数目，如果输入是Tensor列表，N等于len(input)

  • fc - 图6

    ：第i个输入的Tensor

  • fc - 图7

    ：对应第i个输入张量的第i个权重矩阵

  • fc - 图8

    ：该层创建的bias参数

  • ActAct ：activation function(激活函数)

  • OutOut ：输出Tensor

  1. Case 1：
  2.     给定单个输入Tensor data_1, 且num_flatten_dims = 2:
  3.         data_1.data = [[[0.1, 0.2],
  4.                        [0.3, 0.4]]]
  5.         data_1.shape = (1, 2, 2) # 1是batch_size
  7.         out = fluid.layers.fc(input=data_1, size=1， num_flatten_dims=2)
  9.   则输出为：
  10.         out.data = [[0.83234344], [0.34936576]]
  11.         out.shape = (1, 2, 1)
  14. Case 2:
  15.     给定多个Tensor组成的list:
  16.         data_1.data = [[[0.1, 0.2],
  17.                        [0.3, 0.4]]]
  18.         data_1.shape = (1, 2, 2) # 1 是 batch_size
  20.         data_2 = [[[0.1, 0.2, 0.3]]]
  21.         data_2.shape = (1, 1, 3)
  23.         out = fluid.layers.fc(input=[data_1, data_2], size=2)
  25.     则输出为：
  26.         out.data = [[0.18669507, 0.1893476]]
  27.         out.shape = (1, 2)

参数:

  • input (Variable|list of Variable) – 维度为 [N1,N2,…,Nk][N1,N2,…,Nk] 的多维Tensor（或LoDTensor）或由多个Tensor（或LoDTensor）组成的list，输入Tensor的shape至少是2。数据类型为float32或float64。

  • size (int) – 全连接层输出单元的数目，即输出Tensor（或LoDTensor）特征维度。

  • num_flatten_dims (int) – 输入可以接受维度大于2的Tensor。在计算时，输入首先会被扁平化（flatten）为一个二维矩阵，之后再与权重(weights)相乘。参数 num_flatten_dims 决定了输入Tensor的flatten方式: 前 num_flatten_dims (包含边界，从1开始数) 个维度会被扁平化为二维矩阵的第一维 (即为矩阵的高), 剩下的 rank(X)−num_flatten_dimsrank(X)−num_flatten_dims 维被扁平化为二维矩阵的第二维 (即矩阵的宽)。 例如， 假设X是一个五维的Tensor，其shape为(2, 3, 4, 5, 6), 若 num_flatten_dims=3num_flatten_dims=3 ，则扁平化的矩阵shape为： (2x3x4,5x6)=(24,30)(2x3x4,5x6)=(24,30) ，最终输出Tensor的shape为 (2,3,4,size)(2,3,4,size) 。默认为1。

  • param_attr (ParamAttr) – 指定权重参数属性的对象。默认值为None，表示使用默认的权重参数属性。具体用法请参见 ParamAttr 。

  • bias_attr (ParamAttr) – 指定偏置参数属性的对象。默认值为None，表示使用默认的偏置参数属性。具体用法请参见 ParamAttr 。

  • act (str) – 应用于输出上的激活函数，如tanh、softmax、sigmoid，relu等，支持列表请参考 激活函数 ，默认值为None。

  • name (str，可选) – 具体用法请参见 Name ，一般无需设置，默认值为None。

返回：经过全连接层计算后的Tensor或LoDTensor，数据类型与input类型一致。

返回类型: Variable

弹出异常：ValueError - 如果输入Tensor（或LoDTensor）的维度小于2

代码示例

  1.  import paddle.fluid as fluid
  2.  # 当输入为单个张量时
  4. data = fluid.layers.data(name="data", shape=[32, 32], dtype="float32")
  5. fc = fluid.layers.fc(input=data, size=1000, act="tanh")
  7. # 当输入为多个张量时
  8. data_1 = fluid.layers.data(name="data_1", shape=[32, 32], dtype="float32")
  9. data_2 = fluid.layers.data(name="data_2", shape=[24, 36], dtype="float32")
  10. fc = fluid.layers.fc(input=[data_1, data_2], size=1000, act="tanh")