Python Keras对层数的混淆

我对Keras模型中使用的层数有点困惑。文件在这件事上相当不透明

根据Jason Brownlee的说法，第一层技术上由两层组成，输入层（由

input\u dim

指定）和隐藏层。请参见上的第一个问题

在所有的KERA文件中，第一层通常规定为

model.add（密集型（神经元数量，输入尺寸=输入中的列数，激活=某些激活功能））

因此，我们可以建立的最基本模型是：

 model = Sequential()
 model.add(Dense(1, input_dim = 100, activation = None))

这个模型是由一个单层组成，其中100维输入通过一个输入神经元传递，还是由两层组成，第一层是100维输入层，第二层是一维隐藏层

此外，如果我指定这样一个模型，它有多少层

model = Sequential()
model.add(Dense(32, input_dim = 100, activation = 'sigmoid'))
model.add(Dense(1)))

---

这是一个有1个输入层、1个隐藏层和1个输出层的模型，还是一个有1个输入层和1个输出层的模型？

您的第一个模型由100个神经元组成，输入层连接到一个输出神经元

第二层由100个神经元的输入层、32个神经元的隐藏层和一个神经元的输出层组成

您必须将第一层视为输入层（神经元数量与dimenson相同，因此100个为您），连接到另一层，神经元数量与您指定的相同（第一种情况下为1个，第二种情况下为32个）

在Keras中，有用的是命令

model.summary()

---

对于第一个问题，模型是：

1个输入层和1个输出层

关于第二个问题：

1输入层

1隐藏层

1个激活层（S形层）

1输出层

对于输入层，这是由Keras使用input_dim arg或input_shape抽象的，但您可以在以下位置找到此层：

from keras.layers import Input

激活层也是如此

from keras.layers import Activation

---

比我先推荐一下

模型。总结

；）这是一个救命稻草，我强烈推荐给OP。这里我们看到一个隐藏层。有可能添加多个隐藏层吗？@Advika如果你还没有得到答案，我会大发雷霆，但为了子孙后代：

model.add（稠密（32，激活='sigmoid'））

将添加一个由32个乙状激活神经元组成的隐藏层，假设你使用的是

model=Sequential（）

。另一种添加图层的方法是基于另一个答案，我不完全确定您对第一个模型的看法是否正确。我认为它只是一个输入层和一个输出层，没有任何隐藏层。我认为你对第二个模型的看法是正确的。嗨，事实上，我写得太快了。它由1个输入层（100个神经元）和1个输出层组成。（由1个神经元组成）我将编辑它，通过激活层来澄清，你是指激活函数吗？我认为与第一种情况类似，第二种情况将是三层，一个输入，一个隐藏和一个输出@普希恩，你不这么认为吗？