Neural network Keras输入说明:输入形状、单位、批次大小、尺寸等
对于任何Keras层(Neural network Keras输入说明:输入形状、单位、批次大小、尺寸等,neural-network,deep-learning,keras,keras-layer,tensor,Neural Network,Deep Learning,Keras,Keras Layer,Tensor,对于任何Keras层(层类),有人能解释一下如何理解输入_形、单位、尺寸等之间的区别吗 例如,文档中说“单位”指定图层的输出形状 在下面的神经网络图像中,隐藏层1有4个单位。这是否直接转换为层对象的单位属性?或者Keras中的单位是否等于隐藏层中每个重量的形状乘以单位数 简言之,如何理解/可视化模型的属性-尤其是层-与下面的图像? 单位: “神经元”或“细胞”的数量,或层内任何物质的数量 它是每个层的属性,是的,它与输出形状相关(我们将在后面看到)。在图片中,除了输入层(在概念上与其他层不同)之
层
类),有人能解释一下如何理解输入_形
、单位
、尺寸
等之间的区别吗
例如,文档中说“单位”指定图层的输出形状
在下面的神经网络图像中,隐藏层1
有4个单位。这是否直接转换为层
对象的单位
属性?或者Keras中的单位
是否等于隐藏层中每个重量的形状乘以单位数
简言之,如何理解/可视化模型的属性-尤其是层-与下面的图像?
单位:
“神经元”或“细胞”的数量,或层内任何物质的数量
它是每个层的属性,是的,它与输出形状相关(我们将在后面看到)。在图片中,除了输入层(在概念上与其他层不同)之外,您有:
- 隐藏层1:4个单元(4个神经元)
- 隐藏层2:4个单位
- 最后一层:1个单元
(30,4,10)
表示三维数组或张量,第一维包含30个元素,第二维包含4个元素,第三维包含10个元素,总计30*4*10=1200个元素或数字
输入形状
层之间流动的是张量。张量可以看作是具有形状的矩阵
在Keras中,输入层本身不是一个层,而是一个张量。它是发送到第一个隐藏层的起始张量。此张量必须与训练数据具有相同的形状
示例:如果在RGB(3个通道)中有30个50x50像素的图像,则输入数据的形状为(30,50,50,3)
。然后,您的输入层张量必须具有此形状(请参阅“keras中的形状”部分中的详细信息)
每种类型的图层都需要输入一定数量的尺寸:
input_shape = (50,50,3)
#regardless of how many images I have, each image has this shape
层要求输入为密集
(批量大小,输入大小)
- 或
(批量大小,可选,…,可选,输入大小)
- 或
- 二维卷积层需要如下输入:
- 如果上次使用
:频道
(批量大小,imageside1,imageside2,频道)
- 如果先使用
:频道
(批量大小、频道、imageside1、imageside2)
- 如果上次使用
- 1D卷积和循环层使用
(批量大小、序列长度、特征)
(批次大小,单位)
。因此,是的,层的属性单位也定义了输出形状
- 隐藏层1:4个单元,输出形状:
李>(批量大小,4)
- 隐藏层2:4个单元,输出形状:
李>(批量大小,4)
- 最后一层:1个单元,输出形状:
李>(批次大小,1)
(30,50,50,3)
由于输入形状是唯一需要定义的形状,Keras将在第一层中要求它
但是在这个定义中,Keras忽略了第一个维度,即批量大小。您的模型应该能够处理任何批次大小,因此您只能定义其他维度:
input_shape = (50,50,3)
#regardless of how many images I have, each image has this shape
或者,当某些型号需要时,您可以通过batch\u input\u shape=(30,50,50,3)
或batch\u shape=(30,50,50,3)
传递包含批量大小的形状。这将您的培训机会限制在这个独特的批量大小上,因此只有在真正需要时才应该使用它
无论您选择哪种方式,模型中的张量都将具有批次维度
因此,即使您使用了input_shape=(50,50,3)
,当keras向您发送消息或打印模型摘要时,它也会显示(无,50,50,3)
第一个维度是批量大小,它是None
,因为它可以根据您提供的培训示例的数量而变化。(如果明确定义了批次大小,则将显示定义的数字,而不是None<
from keras.models import Model
from keras.layers import *
#Start defining the input tensor:
inpTensor = Input((3,))
#create the layers and pass them the input tensor to get the output tensor:
hidden1Out = Dense(units=4)(inpTensor)
hidden2Out = Dense(units=4)(hidden1Out)
finalOut = Dense(units=1)(hidden2Out)
#define the model's start and end points
model = Model(inpTensor,finalOut)
model = Sequential()
model.add(Dense(32, input_dim=784)) #or 3 in the current posted example above
model.add(Activation('relu'))