fc

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

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)。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 \(X\),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;

  • \(Act\) :激活函数;

  • \(Out\):输出 Tensor。

# Case 1, input is a single tensor:
x.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) – 由一个多维 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,可选) – 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。注意:如果该 api 输入 x 为一个 Tensor 的数组,那 weight_attr 也应该是一个同样长度的数组,并且与 x 数组一一对应。

  • 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。

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")
>>> 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)))
>>> print(out)
var fc_0.tmp_1 : LOD_TENSOR.shape(1, 2, 1).dtype(float32).stop_gradient(False)

>>> # When input is multiple tensors
>>> x0 = paddle.static.data(name="x0", shape=[1, 2, 2], dtype="float32")
>>> x1 = paddle.static.data(name="x1", shape=[1, 1, 3], dtype="float32")

>>> 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)))
>>> print(out)
var fc_1.tmp_3 : LOD_TENSOR.shape(1, 2).dtype(float32).stop_gradient(False)

使用本API的教程文档