TensorFlow 的 Dense 層就是全連接層，對應的類別是 `tf.keras.layers.Dense`。Dense 層會讓每個輸入特徵都參與每個輸出神經元的計算，透過權重矩陣、偏差項與激活函數，把輸入轉成分類、迴歸或下一層需要的特徵表示。
TensorFlow 的 Dense 層是什麼？
TensorFlow 中的全連接層使用 `tf.keras.layers.Dense` 建立。Dense 層是 Keras 裡最常見的基礎層之一，常出現在分類模型的最後幾層。
官方 API 文件定義 Dense 層會對輸入做矩陣運算，並可套用 activation function（TensorFlow API）。最常見的寫法如下：
```python
tf.keras.layers.Dense(128, activation='relu')
```
這行代表建立 128 個輸出單元，並使用 ReLU 作為激活函數。若放在分類輸出層，常見寫法會是：
```python
tf.keras.layers.Dense(10, activation='softmax')
```
其中 10 通常代表 10 個分類類別。
全連接層如何運作？
全連接層會讓前一層的每個輸入都連到每個輸出。Dense 層透過權重矩陣和偏差項計算輸出，再交給激活函數轉換。
Dense 層的基本公式是：
```text
y = W * x + b
```
在這個公式中：
| 符號 | 意義 |
|---|---|
| `x` | 輸入向量 |
| `W` | Dense 層學到的權重矩陣 |
| `b` | 偏差項 |
| `y` | Dense 層輸出 |
原文用線性代數的方式解釋：如果 `W` 是 `m x n` 矩陣，`x` 是 `n x 1` 向量，`y` 就會是 `m x 1` 向量。這種運算方式可以把輸入特徵重新組合成高維度且有用的表示。
Dense 層為什麼常用在輸出層？
Dense 層常用在輸出層，因為 Dense 層能學習特徵組合，並透過激活函數轉成任務需要的輸出格式。
原文整理 Dense 層的優點有三個：
- Dense 層可以實現非線性轉換，分類模型的輸出通常需要這種能力。
- Dense 層的矩陣運算效率高，適合處理大量輸出計算。
- Dense 層可以透過訓練自動調整權重與偏差，把輸入特徵組合成有用輸出。
Dense 層不是只能放在輸出層。多層感知器（Multilayer Perceptron，MLP）會連續堆疊 Dense 層；卷積神經網路也常在特徵抽取後接 Dense 層做分類。
如何用 Dense 建立 Fashion MNIST 分類器？
Fashion MNIST 是練習 Dense 層的好範例。模型可先用 Flatten 攤平 28x28 圖片，再接 Dense 隱藏層和 Dense 輸出層。
以下保留原文核心程式碼，整理成較乾淨的 Keras 範例：
```python
import tensorflow as tf
import tensorflow_datasets as tfds
import math
tfds.disable_progress_bar()
dataset, metadata = tfds.load('fashion_mnist', as_supervised=True, with_info=True)
train_dataset, test_dataset = dataset['train'], dataset['test']
num_train_examples = metadata.splits['train'].num_examples
num_test_examples = metadata.splits['test'].num_examples
def normalize(images, labels):
images = tf.cast(images, tf.float32)
images /= 255
return images, labels
train_dataset = train_dataset.map(normalize).cache()
test_dataset = test_dataset.map(normalize).cache()
model = tf.keras.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28, 1)),
tf.keras.layers.Dense(128, activation=tf.nn.relu),
tf.keras.layers.Dense(10, activation=tf.nn.softmax)
])
model.compile(
optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(),
metrics=['accuracy']
)
BATCH_SIZE = 32
train_dataset = train_dataset.repeat().shuffle(num_train_examples).batch(BATCH_SIZE)
test_dataset = test_dataset.batch(BATCH_SIZE)
model.fit(
train_dataset,
epochs=5,
steps_per_epoch=math.ceil(num_train_examples / BATCH_SIZE)
)
test_loss, test_accuracy = model.evaluate(
test_dataset,
steps=math.ceil(num_test_examples / BATCH_SIZE)
)
print('Accuracy on test dataset:', test_accuracy)
```
這個模型的重點不是追求最高準確率，而是看懂 Dense 層如何把圖片像素轉成分類結果。
Dense 層有哪些實作注意事項？
Dense 層參數量會隨輸入維度和輸出單元數增加。輸入攤平後維度越大，Dense 層越容易變成模型中的主要參數來源。
以 Fashion MNIST 為例，28x28 圖片攤平成 784 維。如果第一個 Dense 層有 128 個單元，單這層就有 `784 * 128 + 128` 個參數。資料量不大時，參數太多可能增加過擬合風險。
實作時可以注意：
- 分類輸出層單元數要等於類別數。
- 多分類常搭配 softmax。
- 隱藏層常搭配 ReLU。
- 輸入圖片進 Dense 前通常要先 Flatten。
- 資料要正規化，例如把像素縮放到 0 到 1。
Dense 層看起來簡單，但它是理解神經網路矩陣運算最好的入口。
常見問題
Dense 層和全連接層是一樣的嗎？
在 Keras 與 TensorFlow 的語境中，Dense 層通常就是全連接層。Dense 層會讓每個輸入特徵連接到每個輸出單元。
Dense 層一定要加 activation 嗎？
Dense 層不一定要加 activation。隱藏層通常會加 ReLU 等非線性函數，輸出層則依任務選擇 softmax、sigmoid 或不加 activation。
Flatten 和 Dense 有什麼關係？
Flatten 會把多維輸入攤平成一維向量，讓 Dense 層可以接收。圖片分類模型常先 Flatten，再接 Dense 層。
Dense 層參數量怎麼算？
Dense 層參數量是輸入維度乘以輸出單元數，再加上偏差項數量。例如 784 維輸入接 128 單元，參數量是 `784 * 128 + 128`。
Dense 層適合處理圖片嗎？
Dense 層可以處理圖片攤平後的資料，但卷積層更擅長保留空間特徵。初學範例可用 Dense，較複雜的影像任務通常會加入 CNN。
參考資料
- TensorFlow，〈tf.keras.layers.Dense〉。
- TensorFlow，〈Basic classification: Classify images of clothing〉。
最後更新
2026-08-27
延伸閱讀
關於作者 {#author}
Claire Chang ｜ 企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。
首次發布：2023-01-11