Python 神经网络隐藏层与卷积隐藏层

如果有10个特征和1个输出类（sigmoid激活），且具有回归目标：

如果我在第一个密集隐藏层中只使用了5个神经元：第一个误差会仅仅基于训练特征集的一半来计算吗？难道不是必须将特征的#与隐藏层#1中的神经元进行匹配，以便模型可以一次看到所有特征吗？否则就不能了解全部情况了？第一次fwd传播迭代将使用10个特征中的5个，并获得错误值（并在后推过程中进行训练，假设批量梯度下降）。然后，第二次fwd传播迭代将看到10个特征中的其余5个具有更新的权重，并有望获得较小的误差。但一次只能看到一半的功能

相反，如果我有一个由64个神经元组成的二维卷积层。我的训练形状是：（100,28,28,1）（灰阶猫和狗的图片），64个神经元中的每一个都会看到不同的28x28向量吗？不对，因为它一次只能通过正向传播发送一个示例？那么，在64个神经元中只需要一张图片（猫或狗）就可以了？既然该层中的每一个神经元都有相同的过滤、步幅、填充和激活功能，你为什么要这样做？定义Conv2D层时，每个神经元的参数都是相同的。那么，每个神经元中是否只包含了训练示例的一部分？例如，为什么有64个神经元？只要有一个神经元，在它上面使用一个过滤器，然后用另一个不同参数的过滤器将它传递到第二个隐藏层

请解释一下我逻辑上的缺陷。非常感谢

编辑：我刚刚意识到，对于Conv2D，您可以将训练数据集展平，使其成为1D向量，因此28x28图像意味着输入Conv2D层有724个神经元。但是我仍然对密集的神经网络感到困惑（上面第1段）

你的“第一”层是什么？ 通常，您有一个输入层作为第一层，它不包含任何权重。 输入层的形状必须与要素数据的形状匹配。 因此，基本上，当您训练一个具有10个特征的模型，但只有一个输入层的形状

（无，5）

（其中无表示批次大小），tensorflow将引发一个异常，因为它需要正确形状的所有输入的数据

所以你说的不会发生。如果您只有5个功能，那么接下来的5个功能将无法在下一次迭代中放入网络，但是，下一个示例将被发送到模型。（假设没有抛出异常）因此，对于下一个示例，也仅使用前5个特性

您可以使用

input\u层

作为具有正确特征形状的第一层。然后作为secodn层，你可以使用任何你喜欢的形状，1，10100个密集的神经元，这取决于你（当然也取决于你的工作原理）输出的形状必须再次匹配（这次）标签数据的形状

我希望这能让事情变得更清楚