Machine learning NN输入层中的单元数是否可以与数据中的特征数不同？

基于tensorflow keras API教程

model=keras.Sequential([
keras.layers.Dense（10，激活=softmax'，输入_形状=（32，），
keras.层.致密（10，活化='softmax'）
])

---

我不明白为什么输入层的单位数是10，而输入形状是32。此外，tensorflow教程中也有许多类似的例子。

这是新从业者经常混淆的问题，而且也不是没有原因的：正如评论中已经暗示的那样，答案是Keras顺序API中有一个隐式输入层，由第一个显式层的

input\u shape

参数确定

这在Keras Functional API中是直接可见的（在文档中检查），其中，

Input

本身是一个显式层，您的模型将在其中编写为：

inputs=Input（shape=（32，）#输入层
x=密集（10，激活='softmax'）（输入）#隐藏层
输出=密集（10，激活='softmax'）（x）#输出层
模型=模型（输入、输出）

i、 e.您的模型实际上是一个具有三层（输入、隐藏和输出）的“好老”神经网络的示例，尽管它看起来像Keras顺序API中的两层网络

---

（顺便说一句，与问题无关，将

softmax

作为隐藏层的激活没有多大意义。）

这意味着输入是32个数字的向量，第一层的输出是10个数字的向量。也就是说，它有一个32x10的参数矩阵（加上10个偏差向量）。神经网络中每一层的大小都是任意的，不需要依赖于输入的大小。那么在这种情况下，输入层中有多少个单元@在本例中，输入层将有32个单元。