Tensorflow TF薄层计数

下面的代码代表一层还是两层？我很困惑，因为在神经网络中不也应该有一个输入层吗

input\u layer=slim.完全连接（input，6000，activation\u fn=tf.nn.relu）
输出=超薄。完全连接（输入层，数量输出）

是否包含隐藏层？我只是想把网络形象化。提前谢谢

来自：

此外，TF Slim的Slim.stack运算符允许调用方使用不同的参数重复应用相同的操作，以创建堆栈或层塔。slim.stack还为创建的每个操作创建一个新的tf.variable_作用域。例如，创建多层感知器（MLP）的简单方法：

所以这里提到的网络是一个

[3264128]

网络-一个隐藏大小为64的层。

你有一个有一个隐藏层的神经网络。在您的代码中，

input

对应于上图中的“input”层<代码>输入层是图像所称的“隐藏层”<代码>输出是图像所称的“输出”

---

请记住，神经网络的“输入层”不是传统的完全连接层，因为它只是未激活的原始数据。这有点用词不当。上图中输入层的神经元与隐藏层或输出层的神经元不同。

谢谢您的评论！那么，32个神经元代表输入层吗？假设我们有一个具有1000个特性的输入。这难道不意味着输入层必须将1000个特征压缩成32个神经元，用于输入层吗？之后，从输入层到第一个隐藏层是否会有32x64权重连接？很抱歉问你这些问题，我只是想理解一下@杜德的问题总是好的！然而，我无法回答这个问题，因为我从未使用过Tensorflow。所以我不知道这些值是如何浓缩的。然而，如果你有一层32个神经元和一层64个神经元，那么连接的数量将是32*64。谢谢！现在说得通了！所以，我的代码将代表你提出的3层神经网络，对吗？正确。输入大小是代码中

input

的大小。隐藏层的大小为6000。输出层的大小为

num\u output

。

# Verbose way:
x = slim.fully_connected(x, 32, scope='fc/fc_1')
x = slim.fully_connected(x, 64, scope='fc/fc_2')
x = slim.fully_connected(x, 128, scope='fc/fc_3')

# Equivalent, TF-Slim way using slim.stack:
slim.stack(x, slim.fully_connected, [32, 64, 128], scope='fc')