Keras 理解稠密层的参数单位和输入尺寸之间的差异

假设我有一个大小为（1000，64）的数据集，其中64是列数（即特征）。在Keras中，假设我想构建一个NN模型，如下所示：

输入层：显然应该是一个层，其神经元数量等于我的数据集中的特征数量。因此，这里的神经元数量=64

隐藏层：我希望这个隐藏层有100个神经元

输出层：这是一个神经元，因为我正在处理一个二进制分类问题

现在，为了在Keras中构建上述架构，我通常会执行以下操作：

model = Sequential()
model.add(Dense(units=64, input_dim=64, activation='tanh'))  # Input layer
model.add(Dense(units=100, activation='tanh'))  # Hidden layer
model.add(Dense(units=1, activation='sigmoid')) # Output layer

问题是我无法区分

Dense（）

层（作为第一层（输入层））的

units

和

input\u dim

参数。我确实理解

input\u dim

是为了指定数据集中的特征数量（在我的例子中为64），但我不理解

单位在这里
对于输入层的作用。
单位是否应为64？换句话说，对于输入层，参数
units
应该是相同的
input\u dim

非常感谢。
让我们先看一下图示


就keras顺序模型符号而言，您将需要两个密集层（在图中标记为虚线框）

密集层1：它应该有100个神经元，每个神经元接受64个特征作为输入，因此这个密集层的定义将是
密度（单位=100，输入尺寸=64）
密集层2：这里需要一个神经元，它将上一个密集层的输出作为输入<密集层不需要代码>输入_dim
，因为它连接到顺序模型中的前一个密集层，并且无论前一个密集层输出什么，它都作为输入（对于每个神经元）
密度（单位=1）
因此，模型将是：

model = Sequential()
model.add(Dense(units=100, input_dim=64, activation='tanh'))  # First Hidden layer
model.add(Dense(units=1, activation='sigmoid')) # Output layer

你可以把
密集（单位=m，输入=n）
看作是一个层，层中有
m
神经元，每个神经元都有
n
输入。该层将输出
m
输出（每个神经元一个）
 明白了。温和而清晰的解释。非常感谢。如果有两个隐藏层（不包括输出层），第二个隐藏层是否为
model.add（density（units=64，activation='tanh'））
？@EthanC，是的，正确，继续添加密集层，神经元数量为
units
。在最后一层，它将是
1
神经元和
softmax
对于多类或
sigmoid
对于二进制类一个有点极端的情况，如果我希望第二个隐藏层是200个神经元（同样，不包括输出层），理论上是可能的，不是吗？第二个隐藏层是
模型吗（units=200，activation='tanh'））
？@EthanC。是的，从理论上讲，在一个层中有大量的神经元并没有错，而且200个神经元的代码片段是正确的。但是，增加宽度是否会增加模型的准确性，需要使用交叉验证进行检查。