Python Keras序贯模型输入层

在Keras中创建顺序模型时，我知道您在第一层中提供了输入形状。该输入形状是否会生成隐式输入层

例如，下面的模型明确指定了2个密集层，但这实际上是一个包含3个层的模型，其中一个输入层由输入形状暗示，一个隐藏的密集层由32个神经元组成，然后一个输出层由10个可能的输出组成

model=Sequential([
密集型（32，输入_形=（784，），
激活（“relu”），
密度（10），
激活（“softmax”），
])

事实上，它实际上是一个隐式输入层，也就是说，你的模型是一个“好的旧”神经网络的例子，有三个层——输入层、隐藏层和输出层。这在Keras Functional API（在文档中检查）中更为明确，在该API中，您的模型将被编写为：

inputs=Input（形状=（784，）#输入层
x=密集（32，激活='relu'）（输入）#隐藏层
输出=密集（10，激活='softmax'）（x）#输出层
模型=模型（输入、输出）

实际上，这个隐式输入层就是您必须仅在顺序API中的模型的第一（显式）层中包含

input\u shape

参数的原因-在后续层中，输入形状是从前面的层的输出推断出来的（请参见

core.py

的源代码中的）

---

您还可以在

tf.contrib.keras.layers.Input上找到启发。

这取决于您的视角：-）

根据最近的Keras教程示例重写代码，您可能会使用：

model = Sequential()
model.add(Dense(32, activation='relu', input_dim=784))
model.add(Dense(10, activation='softmax')

…这使得您只有两个Keras层更加明确。这正是你所拥有的（至少在Keras中），因为“输入层”根本不是一个（Keras）层：它只是一个存储张量的地方，所以它也可能是张量本身

每个Keras层都是一个变换，输出一个张量，可能具有不同大小/形状的输入。因此，虽然这里有3个可识别的张量（两个层的输入、输出），但只涉及2个转换，对应于2个Keras层

另一方面，以图形方式，您可以用3层（图形）节点和两组连接节点层的线来表示此网络。从图形上看，这是一个三层网络。但是这个图形符号中的“层”是一堆圆圈，它们放在一页上，什么也不做，而Keras中的层转换张量，为您做实际工作。就个人而言，我会习惯Keras的观点：-）

---

最后请注意，为了好玩和/或简单起见，我用

input\u dim=784

代替

input\u shape=（784，）

，以避免Python使用的语法混淆新手和创建一维元组：

（，）

我发现函数式API在输入和输出方面更加清晰，并且不会造成太多混乱。OP的代码实际上与Keras版本或教程的最新版本无关；这是一种独特的编码风格，要求将激活分开放置，有些人（不是我）仍然喜欢这样。你所写的确实是（过去也是）编码三层模型的“标准”方式，但可以说并没有使实际的层数比OP的公式更清晰（就像函数API那样）。@desertnaut我认为这个答案的价值，以及你对它的评论，在于表明多个视角是可能的，事实上，这里没有明确的正确答案。可以说，声称这个网络有任何特定数量的层是对它的讽刺，而不是描述它的特征。你的评论突出了这个角色的另一个方面。