Python Keras-关于输入层节点数量的混淆

所以，当input_dim=3时，意味着层的输入是三个节点，对吗？ 但是，当使用输入_形状属性并且有多个值时，情况会怎样呢？ 例如：

model = Sequential()
model.add(Conv2D(32, (3, 3), input_shape=(82, 82, 3)))

这里，卷积层有32个输出节点，但它有多少个输入节点

model.summary（）给出了以下内容：

Model: "sequential_1"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_1 (Conv2D)            (None, 80, 80, 32)        896       
_________________________________________________________________
activation_1 (Activation)    (None, 80, 80, 32)        0         
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 40, 40, 32)        0         
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 38, 38, 32)        9248      
_________________________________________________________________
activation_2 (Activation)    (None, 38, 38, 32)        0         
_________________________________________________________________
max_pooling2d_2 (MaxPooling2 (None, 19, 19, 32)        0         
_________________________________________________________________
conv2d_3 (Conv2D)            (None, 17, 17, 64)        18496     
_________________________________________________________________
activation_3 (Activation)    (None, 17, 17, 64)        0         
_________________________________________________________________
max_pooling2d_3 (MaxPooling2 (None, 8, 8, 64)          0         
_________________________________________________________________
flatten_1 (Flatten)          (None, 4096)              0         
_________________________________________________________________
dense_1 (Dense)              (None, 64)                262208    
_________________________________________________________________
activation_4 (Activation)    (None, 64)                0         
_________________________________________________________________
dropout_1 (Dropout)          (None, 64)                0         
_________________________________________________________________
dense_2 (Dense)              (None, 1)                 65        
_________________________________________________________________
activation_5 (Activation)    (None, 1)                 0         
=================================================================
Total params: 290,913
Trainable params: 290,913
Non-trainable params: 0
_________________________________________________________________

---

此处输入_形状用于图像：

您的示例包含图像形状82x82x3==20172，它等于输入节点：

**你怎么检查这个**

print(model.summary())

---

model.summary为您提供了每一层的完整细节

此处输入形状用于图像：

您的示例包含图像形状82x82x3==20172，它等于输入节点：

**你怎么检查这个**

print(model.summary())

---

model.summary为您提供了每个层的完整详细信息

因此有20172个输入节点？是的，我在问题中添加了该节点的O/p我想您知道我们在模型中输入的数据始终是1D。这里的图像包含我们始终转换为1D的3D显示。您可以通过展平模型中的层（8,8,64）来检查这一点>>>8x8x64==4096。同样，对于输入，如果您与kaggle上的数字mnist数据集相似，则遵循此模式，该数据集是给定的csv文件格式，而不是图像格式。其中csv文件维度为（60000784）60000不显示图像，784不显示fo列。如果将784 dim转换为形状，那么它将看起来像28X28，我认为这足以理解。因此有20172个输入节点？是的，我有，我已经在问题中添加了O/P，我想你知道我们在模型中输入的数据始终是1D。这里的图像包含我们始终转换为1D的3D显示。你可以通过展平模型中的层来检查这一点，如（8,8,64）>>>8x8x64==4096。同样，对于输入，如果您与kaggle上的数字mnist数据集相似，则遵循此模式，该数据集是给定的csv文件格式，而不是图像格式。其中csv文件维度为（60000784）60000不显示图像，784不显示fo列。如果您将784 dim转换为形状，那么它将看起来像28X28，我认为这足以让您理解。