fc

paddle.static.nn. fc ( x, size, num_flatten_dims=1, weight_attr=None, bias_attr=None, activation=None, name=None ) [源代码]

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或多个Tensor组成的list(详见参数说明)。该OP会为每个输入Tensor创建一个权重(weight)参数,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。 每个输入Tensor和其对应的权重(weight)相乘得到形状为 \([batch\_size, *, size]\) 输出Tensor,其中 \(*\) 表示可以为任意个额外的维度。 如果有多个输入Tensor,则多个形状为 \([batch\_size, *, size]\) 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(bias)参数,并把它累加到输出Tensor中。 如果 activation 非空,将会在输出结果上应用相应的激活函数。

对于单个输入Tensor ::math`X` ,计算公式为:

\[\begin{split}\\Out = Act({XW + b})\\\end{split}\]

对于多个Tensor,计算公式为:

\[\begin{split}\\Out=Act(\sum^{M-1}_{i=0}X_iW_i+b) \\\end{split}\]

其中:

  • \(M\) :输入Tensor的个数。如果输入是Tensor列表,\(M\) 等于 \(len(X)\)

  • \(X_i\) :第i个输入Tensor

  • \(W_i\) :对应第i个输入Tensor的权重矩阵

  • \(b\) :偏置参数

  • \(Act\) :activation function (激活函数)

  • \(Out\) :输出Tensor

# Case 1, input is a single tensor:
data = [[[0.1, 0.2],
         [0.3, 0.4]]]
x.shape = (1, 2, 2) # 1 is batch_size

out = paddle.static.nn.fc(x=x, size=1, num_flatten_dims=2)

# Get the output:
out.data = [[0.83234344], [0.34936576]]
out.shape = (1, 2, 1)

# Case 2, input is a list of tensor:
x0.data = [[[0.1, 0.2],
            [0.3, 0.4]]]
x0.shape = (1, 2, 2) # 1 is batch_size

x1.data = [[[0.1, 0.2, 0.3]]]
x1.shape = (1, 1, 3)

out = paddle.static.nn.fc(x=[x0, x1], size=2)

# Get the output:
out.data = [[0.18669507, 0.1893476]]
out.shape = (1, 2)

参数

  • x (Tensor|list of Tensor) – 一个多维Tensor或由多个Tensor组成的list,每个输入Tensor的维度至少是2。数据类型可以为float16,float32或float64。

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

  • 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为一个二维矩阵,之后再与权重相乘。参数 num_flatten_dims 决定了输入Tensor扁平化的方式: 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 \(rank(x) - num\_flatten\_dims\) 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,其形状为 \([2, 3, 4, 5, 6]\)num_flatten_dims = 3时扁平化后的矩阵形状为 \([2 * 3 * 4, 5 * 6] = [24, 30]\) ,最终输出Tensor的形状为 \([2, 3, 4, size]\) 。默认值为1。

  • weight_attr (ParamAttr, 可选) – 指定权重参数的属性。默认值为None,表示使用默认的权重参数属性,将权重参数初始化为0。具体用法请参见 ParamAttr

  • bias_attr (ParamAttr|bool, 可选) – 指定偏置参数的属性。bias_attr 为bool类型且设置为False时,表示不会为该层添加偏置。 bias_attr 如果设置为True或者None,则表示使用默认的偏置参数属性,将偏置参数初始化为0。具体用法请参见 ParamAttr 。默认值为None。

  • activation (str, 可选) – 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

Tensor,形状为 \([batch\_size, *, size]\) ,数据类型与输入Tensor相同。

抛出异常

  • \(ValueError\) - 如果输入Tensor的维度小于2

代码示例

import paddle
paddle.enable_static()

# When input is a single tensor
x = paddle.static.data(name="x", shape=[1, 2, 2], dtype="float32")
# x: [[[0.1 0.2]
#      [0.3 0.4]]]
out = paddle.static.nn.fc(
    x=x,
    size=1,
    num_flatten_dims=2,
    weight_attr=paddle.ParamAttr(initializer=paddle.nn.initializer.Constant(value=0.5)),
    bias_attr=paddle.ParamAttr(initializer=paddle.nn.initializer.Constant(value=1.0)))
# out: [[[1.15]
#        [1.35]]]

# When input is multiple tensors
x0 = paddle.static.data(name="x0", shape=[1, 2, 2], dtype="float32")
# x0: [[[0.1 0.2]
#       [0.3 0.4]]]
x1 = paddle.static.data(name="x1", shape=[1, 1, 3], dtype="float32")
# x1: [[[0.1 0.2 0.3]]]
out = paddle.static.nn.fc(
    x=[x0, x1],
    size=2,
    weight_attr=paddle.ParamAttr(initializer=paddle.nn.initializer.Constant(value=0.5)),
    bias_attr=paddle.ParamAttr(initializer=paddle.nn.initializer.Constant(value=1.0)))
# out: [[1.8 1.8]]