不同tensorflow全连接层的区别

Question

tensorflow 中可用的不同全连接层之间有什么区别。我知道可能有 2 个版本：面向对象和功能，但我能够在 tensorflow 中找到 4 个不同的层：

1. tf.keras.layers.Dense
2. tf.layers.dense
3. tf.layers.Dense
4. tf.contrib.layers.fully_connected

文档包含使用所有这些的示例。我也想知道何时使用每一层。

Answer 1

1. Keras 是一个深度学习库，可作为“低级”语言（如 Tensorflow 和 Theano）的包装器。它最近被集成为 Tensorflow 项目，并且是代码库的一部分。如果您使用的是“原始”Tensorflow，则不应使用此层。

2. Tensorflow 定义了一个功能接口。 lowercase 的层和操作通常是其中的一部分。在定义自定义层或损失函数时，这些函数用作构建块。

3. 这是您应该使用的层。

4. 这来自contrib 库——这些特性通常更具实验性和易变性。一旦一个特性被认为是稳定的，你应该使用它的其他实现（3）。 (4) 仍将存在于库中以保持向后兼容性。

Answer 2

1. 是一个 Keras 包装函数。功能同3. Checkout Keras。
2. 它是 tensorflow 的功能接口。
3. 常用。
4. 功能正在开发中。

从技术上讲，前 3 个具有相同的功能（相同的输入和输出）。