mindchemistry.cell.FCNet
- class mindchemistry.cell.FCNet(channels, weight_init='normal', has_bias=True, bias_init='zeros', has_dropout=False, dropout_rate=0.5, has_layernorm=False, layernorm_epsilon=1e-7, has_activation=True, act='relu')[源代码]
一个全连接层网络。对输入数据应用一系列全连接层。
- 参数：
channels (List) - 每个全连接层的通道数列表。
weight_init (Union[str, float, mindspore.common.initializer, List]) - 初始化层权重。如果 weight_init 是列表，则每个元素对应每个层。默认值：
'normal'。has_bias (Union[bool, List]) - 表示全连接层是否有偏置的开关。如果 has_bias 是列表，则每个元素对应每个全连接层。默认值：
True。bias_init (Union[str, float, mindspore.common.initializer, List]) - 全连接层偏置的初始化方法。如果 bias_init 是列表，则每个元素对应每个全连接层。默认值：
'zeros'。has_dropout (Union[bool, List]) - 线性块是否有 dropout 层的开关。如果 has_dropout 是列表，则每个元素对应每个层。默认值：
False。dropout_rate (float) - Dropout 层的丢弃率，必须是范围在 (0, 1] 的浮点数。如果 dropout_rate 是列表，则每个元素对应每个 dropout 层。默认值：
0.5。has_layernorm (Union[bool, List]) - 线性块是否有层归一化层的开关。如果 has_layernorm 是列表，则每个元素对应每个层。默认值：
False。layernorm_epsilon (float) - 层归一化层的超参数 epsilon。如果 layernorm_epsilon 是列表，则每个元素对应每个层归一化层。默认值：
1e-7。has_activation (Union[bool, List]) - 线性块是否有激活函数层的开关。如果 has_activation 是列表，则每个元素对应每个层。默认值：
True。act (Union[str, None, List]) - 线性块中的激活函数。如果 act 是列表，则每个元素对应每个激活函数层。默认值：
'relu'。
- 输入：
input (Tensor) - 形状为 \((*, channels[0])\) 的Tensor。
- 输出：
output (Tensor) - 形状为 \((*, channels[-1])\) 的Tensor。
- 支持平台：
Ascend
样例：
>>> import numpy as np >>> from mindchemistry.cell import FCNet >>> from mindspore import Tensor >>> inputs = Tensor(np.array([[180, 234, 154], [244, 48, 247]], np.float32)) >>> net = FCNet([3, 16, 32, 16, 8]) >>> output = net(inputs) >>> print(output.shape) (2, 8)