Machine learning “的作用是什么？”；“展平”；在凯拉斯？

我正在试图理解

flant

函数在Keras中的作用。下面是我的代码，这是一个简单的两层网络。它接收形状（3，2）的二维数据，并输出形状（1，4）的一维数据：

这将打印出

y

具有形状（1,4）。但是，如果我删除

展平

行，它将打印出

y

具有形状（1、3、4）

我不明白。根据我对神经网络的理解，

model.add（稠密（16，input_shape=（3，2））

函数正在创建一个隐藏的完全连接层，包含16个节点。每个节点都连接到每个3x2输入元素。因此，第一层输出端的16个节点已经“平坦”。因此，第一层的输出形状应该是（1,16）。然后，第二层将其作为输入，并输出形状（1，4）的数据

---

因此，如果第一层的输出已经是“平坦的”并且是形状（1,16），为什么我需要进一步平坦它？

如果您阅读了的Keras文档条目，您将看到此调用：

Dense(16, input_shape=(5,3))

这将形成一个密集的网络，有3个输入和16个输出，分别应用于5个步骤中的每个步骤。因此，如果

D（x）

将三维向量转换为16-D向量，那么从层中输出的将是一系列向量：

[D（x[0，：]）、D（x[1，：]）、…、D（x[4，：]）]

和形状

（5，16）

。为了获得指定的行为，您可以首先将输入展平到15-d向量，然后应用密集的：

model = Sequential()
model.add(Flatten(input_shape=(3, 2)))
model.add(Dense(16))
model.add(Activation('relu'))
model.add(Dense(4))
model.compile(loss='mean_squared_error', optimizer='SGD')

编辑： 正如一些人难以理解的那样，这里有一个解释性的图像：

简短阅读：

展平张量意味着除去除一个维度之外的所有维度。这正是展平层所做的

长读：

如果我们考虑创建的原始模型（带有展平层），我们可以得到以下模型摘要：

Layer (type)                 Output Shape              Param #   
=================================================================
D16 (Dense)                  (None, 3, 16)             48        
_________________________________________________________________
A (Activation)               (None, 3, 16)             0         
_________________________________________________________________
F (Flatten)                  (None, 48)                0         
_________________________________________________________________
D4 (Dense)                   (None, 4)                 196       
=================================================================
Total params: 244
Trainable params: 244
Non-trainable params: 0

对于这个总结，下一张图片有望提供更多关于每个层的输入和输出大小的信息

您可以看到展平层的输出形状是

（无，48）

。这是提示。您应该阅读它

（1,48）

或

（2,48）

或。。。或

（16,48）

。。。或

（32,48）

事实上，该位置上的

None

表示任何批量大小。对于要调用的输入，第一个维度表示批量大小，第二个维度表示输入特征的数量

整平层在Keras中的作用非常简单：

对张量进行展平操作会重塑张量，使其形状等于张量中包含的元素数，不包括批次维度

---

注意：我使用了

model.summary（）

方法来提供输出形状和参数详细信息。

---

这就是展平如何将矩阵转换为单个数组。

展平明确说明如何序列化多维张量（尤其是输入张量）。这允许在（展平的）输入张量和第一个隐藏层之间进行映射。如果第一个隐藏层是“密集”的，（序列化的）输入张量的每个元素都将与隐藏数组的每个元素相连接。

---

如果不使用“展平”，输入张量映射到第一个隐藏层的方式将是不明确的。

我最近遇到了这个问题，它肯定帮助我理解：

---

因此有一个输入，一个Conv2D，一个MaxPooling2D等等，展平层在末尾，它精确地显示了它们是如何形成的，以及它们如何定义最终的分类（0-9）。

这里我想介绍展平函数的另一种替代方法。这可能有助于理解内部正在发生的事情。另一种方法是再添加三行代码。 而不是使用

#==========================================Build a Model
model = tf.keras.models.Sequential()

model.add(keras.layers.Flatten(input_shape=(28, 28, 3)))#reshapes to (2352)=28x28x3
model.add(layers.experimental.preprocessing.Rescaling(1./255))#normalize
model.add(keras.layers.Dense(128,activation=tf.nn.relu))
model.add(keras.layers.Dense(2,activation=tf.nn.softmax))

model.build()
model.summary()# summary of the model

我们可以使用

    #==========================================Build a Model
    tensor = tf.keras.backend.placeholder(dtype=tf.float32, shape=(None, 28, 28, 3))
    
    model = tf.keras.models.Sequential()
    
    model.add(keras.layers.InputLayer(input_tensor=tensor))
    model.add(keras.layers.Reshape([2352]))
model.add(layers.experimental.preprocessing.Rescaling(1./255))#normalize
    model.add(keras.layers.Dense(128,activation=tf.nn.relu))
    model.add(keras.layers.Dense(2,activation=tf.nn.softmax))
    
    model.build()
    model.summary()# summary of the model

在第二种情况下，我们首先创建一个张量（使用占位符） 然后创建一个输入层。之后，我们将张量重塑为平面形式。所以基本上

Create tensor->Create InputLayer->Reshape == Flatten

---

展平是一个方便的功能，可以自动完成所有这些操作。当然，这两种方法都有其特定的用例。Keras提供了足够的灵活性来操作您想要创建模型的方式。

根据经验，网络中的第一层应与数据的形状相同。例如，我们的数据是28x28个图像，28层28个神经元是不可行的，因此将28,28“展平”为784x1更有意义。我们不需要自己编写所有代码来处理，而是在开始时添加flatte（）层，当阵列稍后加载到模型中时，它们将自动为我们展平。

感谢您的解释。只是想澄清一下：如果密度为

Dense（16，input_shape=（5,3）

，那么16组中的每个输出神经元（以及，对于所有5组神经元）是否都连接到所有（3 x 5=15）输入神经元？或者第一组16个神经元中的每个神经元只与第一组5个输入神经元中的3个神经元相连，然后第二组16个神经元中的每个神经元只与第二组5个输入神经元中的3个神经元相连，等等……我搞不清它是哪一个！你有一个密集的层，其中有3个神经元，输出16 w它适用于5组3个神经元中的每一组。啊，好的。我想做的是把5个彩色像素的列表作为输入，我想让它们通过一个完全连接的层。所以

input\u shape=（5,3）

意味着有5个像素，每个像素有三个通道（R，G，B）但是根据你所说的，每个通道将被单独处理，而我希望所有三个通道都由第一层的所有神经元处理。那么，在开始时立即应用

展平

层会给我带来我想要的吗？一个带和不带

展平

的小图可能有助于理解

Create tensor->Create InputLayer->Reshape == Flatten