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 \([M, size]\) 输出Tensor，其中 M 为batch_size大小。如果有多个输入Tensor，则多个shape为 \([M, size]\) 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）：

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

当输入为多个Tensor（或LoDTensor）组成的list时：

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

上述等式中：

\(N\)：输入的数目，如果输入是Tensor列表，N等于len(input)
\(X_i\)：第i个输入的Tensor
\(W_i\)：对应第i个输入张量的第i个权重矩阵
\(b\)：该层创建的bias参数
\(Act\) ：activation function(激活函数)
\(Out\)：输出Tensor

         Case 1：
    给定单个输入Tensor data_1，且num_flatten_dims = 2:
        data_1.data = [[[0.1, 0.2],
                       [0.3, 0.4]]]
        data_1.shape = (1, 2, 2) # 1是batch_size

        out = fluid.layers.fc(input=data_1, size=1， num_flatten_dims=2)

  则输出为：
        out.data = [[0.83234344], [0.34936576]]
        out.shape = (1, 2, 1)


Case 2:
    给定多个Tensor组成的list:
        data_1.data = [[[0.1, 0.2],
                       [0.3, 0.4]]]
        data_1.shape = (1, 2, 2) # 1 是 batch_size

        data_2 = [[[0.1, 0.2, 0.3]]]
        data_2.shape = (1, 1, 3)

        out = fluid.layers.fc(input=[data_1, data_2], size=2)

    则输出为：
        out.data = [[0.18669507, 0.1893476]]
        out.shape = (1, 2)

        

参数¶

input (Variable|list of Variable) – 维度为 \([N_1, N_2, ..., N_k]\) 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 \(rank(X) - num\_flatten\_dims\) 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 \(num\_flatten\_dims = 3\)，则扁平化的矩阵shape为：\((2 x 3 x 4, 5 x 6) = (24, 30)\)，最终输出Tensor的shape为 \((2, 3, 4, size)\)。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¶

          import paddle.fluid as fluid
import paddle
paddle.enable_static()
# when input is single tensor
data = fluid.data(name="data", shape=[-1, 32], dtype="float32")
fc = fluid.layers.fc(input=data, size=1000, act="tanh")

# when input are multiple tensors
data_1 = fluid.data(name="data_1", shape=[-1, 32], dtype="float32")
data_2 = fluid.data(name="data_2", shape=[-1, 36], dtype="float32")
fc = fluid.layers.fc(input=[data_1, data_2], size=1000, act="tanh")

         