Python 为什么我在简单的2输出2输入网络中得到6个Keras参数？

我正在学习keras中的神经网络。我在虚构的数据上指定了一个简单的模型

model=tf.keras.models.Sequential()
model.add(tf.keras.layers.Dense(2, input_dim=2))
model.compile(optimizer='sgd', loss='mean_squared_error')

我有两个属性来预测两个值

这里是我初始化数据的地方：

x=[]
y=[]
for x1 in range (6):
    x2=int(random.random()*10)
    x.append([x1,x2])
    y.append([2*x1+x2**2-2, x1*x2])
xs = np.array(x, dtype=float)
xs=xs.reshape(6,2)
ys = np.array(y, dtype=float)
ys=ys.reshape(6,2)
model.fit(xs, ys, epochs=500)

请注意，我使用这些数据只是为了学习。在我试图观察模型之后。我运行

model.summary（）

和

model.get\u weights（）

---

我不明白为什么有6个参数和6个砝码。根据我的理解，每个输入应该有两个输出层，或者我应该在某个地方专门定义输出层吗？

您定义的模型架构如下图所示

你有一个密集的层，有两个神经元。为什么是两个神经元？因为

density

的第一个参数是

units

，它表示神经元的数量。每个神经元进行

X.W+b

的线性运算，然后对其应用激活函数。nuerons中的可学习参数是

W

和

b

---

由于

X

的大小为2（2个特征），因此

W

（=2）+

b

=3。因此，在这种情况下，每个神经元将有3个参数，其中2个将有6个参数。

您定义的模型架构如下图所示

你有一个密集的层，有两个神经元。为什么是两个神经元？因为

density

的第一个参数是

units

，它表示神经元的数量。每个神经元进行

X.W+b

的线性运算，然后对其应用激活函数。nuerons中的可学习参数是

W

和

b

---

由于

X

的大小为2（2个特征），因此

W

（=2）+

b

=3。因此，在这种情况下，每个神经元将有3个参数，2个这样的神经元将有6个参数。

如果有一个带有两个神经元的输出层，每个神经元必须有两个权重（因为输入是维度2）和另一个称为“偏差”的权重。每个神经元有3个权值

---

总之，您有2个神经元，每个神经元有3个权重或可训练参数，因此您的网络中总共有6个可训练参数。

您有一个带有两个神经元的单一输出层，每个神经元必须有两个权重（因为输入为维度2）和另一个称为“偏差”的权重。每个神经元有3个权值

---

总之，您有2个神经元，每个神经元有3个权重或可训练参数，因此在您的网络中总共有6个可训练参数。

这些值不是唯一的吗？这是否回答了您的问题？这些值不正是唯一的吗？这回答了你的问题吗？通过密集层，你是在神经网络中的一个节点？通过密集层，你是在神经网络中的一个节点？

Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense (Dense)                (None, 2)                 6         
=================================================================
Total params: 6
Trainable params: 6
Non-trainable params: 0
_________________________________________________________________
None
model weights  [array([[0.5137405, 5.477211 ],
       [8.750836 , 1.6910588]], dtype=float32), array([-5.701193, -7.874653], dtype=float32)]