Neural network Keras说明：输入层中的节点数

我试图理解一个简单的感知器和一个使用keras序列类得到的神经网络之间的关系

我了解到神经网络感知器看起来是这样的：

第一层中的每个“节点”是样本x_1、x_2、…、x_n的特征之一

有人能解释一下我在下面的Keras软件包中找到的神经网络跳变吗？ 由于输入层有四个节点，这是否意味着网络由四个感知器网络组成？

---

对于什么是感知器似乎存在误解。感知器是将输入与权重相乘、相加并应用激活函数的单个单元：

现在，您所拥有的图表被称为多层感知器（MLP），由一组按层组织的感知器组成。在Keras中，没有明确的感知器概念，而是将感知器层实现为

密集

层，因为这些层是紧密连接的，即每个输出都连接到层之间的每个输入。第二个图表对应于：

model = Sequential()
model.add(Dense(4, activation='sigmoid', input_dim=3))
model.add(Dense(4, activation='sigmoid'))
model.add(Dense(1, activation='sigmoid'))

---

假设你有乙状结肠激活。在这种情况下，输入层通过指定

input\u dim=3

而隐式表示，最后一层将是输出层。

您确定第二个图表将与之对应吗？首先，输入可以是任何东西，对吗？第二行应该是“…密集（3…？是的，我肯定，你混淆了输入层和隐藏层。第二个图的输入dim是3，因为你有3个输入节点。然后这些连接到第一个隐藏层，它有4个感知机，因此密集（4…）啊哈，我明白了！所以第二个图是神经网络（MLP？）这需要三维数据，对吗？是的，的确两个图表都是神经网络（MLP），每一列/每一层都像是一个有那么多维度的向量。在Keras中，你指定了给定层的输出维度。谢谢！我想我明白了。我只是对“dim”（）下面的答案感到困惑说明即使输入_dim=3，数据也是“一维的”