mindscience.models.layers.FCSequential

class mindscience.models.layers.FCSequential(in_channels, out_channels, layers, neurons, residual=True, act='sin', weight_init='normal', has_bias=True, bias_init='default', weight_norm=False)

全连接层的顺序容器，全连接层按顺序添加到容器中。

参数：

• in_channels (int) - 输入空间的通道数。

• out_channels (int) - 输出空间的通道数。

• layers (int) - 层数总数，包括输入/隐藏/输出层。

• neurons (int) - 隐藏层的神经元数。

• residual (bool, 可选) - 隐藏层的全连接残差块。默认值：True 。

• act (Union[str, Cell, Primitive, None], 可选) - 应用于全连接层输出的激活函数，例如 "ReLU" 。默认值："sin" 。

• weight_init (Union[Tensor, str, Initializer, numbers.Number], 可选) - 可训练的 weight_init 参数。数据类型与输入 x 相同。str 的取值请参考函数 initializer 。默认值："normal" 。

• has_bias (bool, 可选) - 指定层是否使用偏置向量。默认值：True 。

• bias_init (Union[Tensor, str, Initializer, numbers.Number], 可选) - 可训练的 bias_init 参数。数据类型与输入 x 相同。str 的取值请参考函数 initializer 。默认值："default" 。

• weight_norm (bool, 可选) - 是否计算权重的平方和。默认值：False 。

输入：

• input (Tensor) - 形状为 \((*, in\_channels)\) 的张量。

输出：

形状为 \((*, out\_channels)\) 的张量。

异常：

• TypeError - 如果 layers 不是整数。

• TypeError - 如果 neurons 不是整数。

• TypeError - 如果 residual 不是布尔值。

• ValueError - 如果 layers 小于 3。

样例：

>>> import numpy as np
>>> from mindscience.models.layers import FCSequential
>>> from mindspore import Tensor
>>> inputs = np.ones((16, 3))
>>> inputs = Tensor(inputs.astype(np.float32))
>>> net = FCSequential(3, 3, 5, 32, weight_init="ones", bias_init="zeros")
>>> output = net(inputs).asnumpy()
>>> print(output.shape)
(16, 3)