tf.contrib.layers.fully_connected
添加完全连接的图层。
tf.contrib.layers.fully_connected(
inputs,
num_outputs,
activation_fn=tf.nn.relu,
normalizer_fn=None,
normalizer_params=None,
weights_initializer=initializers.xavier_initializer(),
weights_regularizer=None,
biases_initializer=tf.zeros_initializer(),
biases_regularizer=None,
reuse=None,
variables_collections=None,
outputs_collections=None,
trainable=True,
scope=None
)fully_connected创建一个名为的变量weights，表示一个完全连接的权重矩阵，乘以它inputs产生一个 Tensor隐藏单位。
如果normalizer_fn提供了a （例如 batch_norm），则应用它。否则，如果normalizer_fn为None且biases_initializer提供了a，
biases则将创建变量并添加隐藏单位。最后，如果activation_fn不是None，它也会应用于隐藏单位。
inputs：至少等级2的张量和最后一个维度的静态值; 即[batch_size, depth]，[None, None, None, channels]。num_outputs：整数或长整数，图层中的输出单位数。activation_fn：激活功能。默认值是ReLU功能。将其明确设置为“无”以跳过它并保持线性激活。normalizer_fn：使用标准化功能代替biases。如果normalizer_fn提供biases_initializer，biases_regularizer则忽略并且biases不创建也不添加。没有规范化器功能，默认设置为“无”normalizer_params：规范化函数参数。weights_initializer：权重的初始化程序。weights_regularizer：可选的权重正则化器。biases_initializer：偏见的初始化程序。如果没有跳过偏见。biases_regularizer：偏见的可选正则化器。reuse：是否应重用图层及其变量。必须给出能够重用层范围的能力。variables_collections：所有变量的集合的可选列表或包含每个变量的不同集合列表的字典。outputs_collections：用于添加输出的集合。trainable：如果True还将变量添加到图表集合中GraphKeys.TRAINABLE_VARIABLES（请参阅tf.Variable）。scope：variable_scope的可选范围。
参考： https://tensorflow.google.cn/api_docs/python/tf/contrib/layers/fully_connected