Python Keras如何读取输入数据？

我在一个项目中使用Keras，我不明白Keras是如何使用数据输入的，也就是说Keras在创建第一层时是如何读取我们的输入数据的

例如：

模型=顺序（）

添加模型（密集型（10，激活='sigmoid'，输入尺寸=3，名称='layer1'））

在这个模型中，有10个神经元和一个三维输入意味着什么？如果输入数据有100个示例（矩阵数据中的行数），Keras如何使用它们

---

谢谢。

input\u dim=3

表示每个输入数据都有3个维度。在您的情况下，包含100个示例的输入数据的形状应为

（100,3）

。编译模型时，示例的数量实际上并不重要。但是您应该确保每个输入数据的维度与您在第一个密集层中设置的

input\u dim

匹配

举个简单的例子：

model = Sequential()
model.add(Dense(10, input_dim=3, activation='sigmoid'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adamax')

model.fit(xTrain, yTrain, epochs=50, batch_size=10)

---

input\u dim=3

表示每个输入数据都有3个维度。在您的情况下，包含100个示例的输入数据的形状应为

（100,3）

。编译模型时，示例的数量实际上并不重要。但是您应该确保每个输入数据的维度与您在第一个密集层中设置的

input\u dim

匹配

举个简单的例子：

model = Sequential()
model.add(Dense(10, input_dim=3, activation='sigmoid'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adamax')

model.fit(xTrain, yTrain, epochs=50, batch_size=10)

---

input_dim=3

表示您的数据有3个特征，将用于确定最终结果，例如，如果您想确定动物数据指的是什么，可以将宽度、高度和颜色作为数据

100个不同动物宽度、高度和颜色组合的示例

允许神经网络调整其参数（学习）宽度、高度和颜色指的是哪种动物。Keras从神经元的随机权重开始，然后使用提供的样本逐个调整100次网络权重。Keras实际上使用批次，这意味着100个样本被分成更小的组，以获得更好的学习率和总体性能（一次存储在内存中的数据更少）

10个神经元

是网络能够存储神经元权重和输入数据之间乘法结果的10个“位置”。你们可以把神经元想象成一个灯泡，根据数据是否显示了一些有用的数据特征，比如动物身高在3米以上，它的亮度会变亮或变暗。每个神经元都有自己的权值集，当网络检查数据中的下一个样本时，权值集只会发生一点变化。最后，你应该有10个神经元（灯泡），根据数据中不同特征的存在，这些神经元（灯泡）的反应或多或少地强烈，例如，如果动物很高

你拥有的神经元越多，你可以追踪的特征就越多，例如，如果动物是高的、有毛的、橙色的、有斑点的等等。但是，你拥有的神经元越多，你的网络就越有可能过于精确，并且会学习到你的训练示例特有的特征（称为过度拟合）但不要帮助你识别训练数据中未包含的动物样本（这称为泛化能力，是实际训练神经网络的最重要一点）。选择神经元的数量是一个实际的练习，你需要寻找一个适合你需要的神经元

---

我希望这能澄清你的疑虑。如果你想更深入地了解这个领域，网上有很多很好的资源详细介绍神经网络的训练过程，包括功能，神经元和学习。

input\u dim=3

表示您的数据有3个特征，将用于确定最终结果，例如，如果您想确定动物数据指的是什么，可以将宽度、高度和颜色作为数据

100个不同动物宽度、高度和颜色组合的示例

允许神经网络调整其参数（学习）宽度、高度和颜色指的是哪种动物。Keras从神经元的随机权重开始，然后使用提供的样本逐个调整100次网络权重。Keras实际上使用批次，这意味着100个样本被分成更小的组，以获得更好的学习率和总体性能（一次存储在内存中的数据更少）

10个神经元

是网络能够存储神经元权重和输入数据之间乘法结果的10个“位置”。你们可以把神经元想象成一个灯泡，根据数据是否显示了一些有用的数据特征，比如动物身高在3米以上，它的亮度会变亮或变暗。每个神经元都有自己的权值集，当网络检查数据中的下一个样本时，权值集只会发生一点变化。最后，你应该有10个神经元（灯泡），根据数据中不同特征的存在，这些神经元（灯泡）的反应或多或少地强烈，例如，如果动物很高

你拥有的神经元越多，你可以追踪的特征就越多，例如，如果动物是高的、有毛的、橙色的、有斑点的等等。但是，你拥有的神经元越多，你的网络就越有可能过于精确，并且会学习到你的训练示例特有的特征（称为过度拟合）但不要帮助你识别训练数据中未包含的动物样本（这称为泛化能力，是实际训练神经网络的最重要一点）。选择神经元的数量是一个实际的练习，你需要寻找一个适合你需要的神经元

---

我希望这能澄清你的疑虑。如果你想更深入地了解这个领域，网上有很多很好的资源，详细介绍神经网络的训练过程，包括功能、神经元和学习。

谢谢！现在我明白多了。谢谢：D如果可以的话，我还有一个问题。如果我们以动物为例。如何获得具有正确值“宽度”、“高度”和“颜色”的三维输出？我知道神经网络中的值在0到1之间，所以我不明白我们怎么能