网站手机客户端在线制作网站设计制作费
💖亲爱的技术爱好者们，热烈欢迎来到 Kant2048 的博客！我是 Thomas Kant，很开心能在CSDN上与你们相遇～💖
本博客的精华专栏：
【自动化测试】 【测试经验】 【人工智能】 【Python】
TensorFlow 深度学习 | Layer 基础知识介绍
在深度学习的世界里，Layer（层） 是构建神经网络最重要的组成部分。无论是卷积神经网络（CNN）、循环神经网络（RNN），还是全连接网络（DNN），其核心都依赖于各种层的组合与堆叠。
本文将系统介绍 TensorFlow 中的 Layer 基础知识，并通过示例、参数表格和可视化图形，帮助你快速上手模型的构建。
🌟 一、Layer 的概念与作用
在 TensorFlow（尤其是 tf.keras API）中，Layer 是神经网络的基本构建单元。它主要负责：
- 参数管理：权重（Weights）和偏置（Biases）存储在 Layer 内部
- 前向传播：实现输入张量到输出张量的映射逻辑
- 反向传播支持：通过自动微分计算梯度并更新参数
一个简单的类比：
- Layer 就像乐高积木，你可以把不同类型的积木拼接，最终形成一个复杂的网络结构。
📊 直观图示：Layer 与 Model 的关系
输入张量 --> [Layer1] --> [Layer2] --> ... --> [LayerN] --> 输出张量
🔹 二、常见的 TensorFlow 内置 Layer
TensorFlow 提供了大量现成的 Layer，开发者无需手动实现底层逻辑即可快速搭建模型。
1. Dense（全连接层）
from tensorflow.keras import layers
dense = layers.Dense(units=64, activation='relu')
📑 参数说明表
| 参数 | 说明 |
|---|---|
units | 输出神经元数量，即输出维度 |
activation | 激活函数（如 'relu', 'sigmoid', 'softmax' 等） |
use_bias | 是否使用偏置项（默认 True） |
kernel_initializer | 权重初始化方法（默认 glorot_uniform） |
bias_initializer | 偏置初始化方法（默认 zeros） |
2. Conv2D（二维卷积层）
conv = layers.Conv2D(filters=32, kernel_size=(3, 3), activation='relu')
📑 参数说明表
| 参数 | 说明 |
|---|---|
filters | 卷积核数量（决定输出通道数） |
kernel_size | 卷积核大小（如 (3,3)） |
strides | 步幅（默认 (1,1)） |
padding | 填充方式（'valid' 无填充，'same' 保持尺寸不变） |
activation | 激活函数 |
3. Flatten（展平层）
flatten = layers.Flatten()
功能：将高维张量展平为一维向量，常用于卷积层输出到全连接层的过渡。
4. Dropout（随机失活层）
dropout = layers.Dropout(rate=0.5)
📑 参数说明表
| 参数 | 说明 |
|---|---|
rate | 随机失活的比例（0 |
5. BatchNormalization（批量归一化层）
bn = layers.BatchNormalization()
功能：对每一层的输入做标准化处理，加速训练并稳定模型收敛。
⚡ 三、常见激活函数对比
激活函数是 Layer 的核心组成部分，它决定了神经网络的非线性能力。
📑 常见激活函数对比表
| 激活函数 | 公式/输出范围 | 特点与优缺点 | 常见应用场景 |
|---|---|---|---|
| Sigmoid | f ( x ) = 1 1 + e − x f(x) = \frac{1}{1+e^{-x}} f(x)= |