TensorFlow 深度学习 | Layer 基础知识介绍

💖亲爱的技术爱好者们，热烈欢迎来到 Kant2048 的博客！我是 Thomas Kant，很开心能在优快云上与你们相遇～💖

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（01 之间，常用 0.20.5）

---

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)=