Tensorflow 平整层的影响及其正确使用

我正在研究简单的

1D

卷积模型，其构建如下

model1=Sequential（）
模型1.add（Conv1D（60,32，步幅=1，激活='relu'，填充='因果'，输入形状=（64,1）））
模型1.add（Conv1D（80,10，步幅=1，激活='relu'，填充='因果'））
模型1.add（Conv1D（100,5，步幅=1，激活='relu'，填充='因果'））
模型1.add（MaxPoolg1d（2））
model1.add（密集（300，activation='relu'））
model1.add（展平（））
model1.add（密集（1，activation='relu'））
打印（model1.summary（））

其模式概述如下

_________________________________________________________________
层（类型）输出形状参数
=================================================================
conv1d_1（conv1d）（无，64，60）1980年
_________________________________________________________________
conv1d_2（conv1d）（无、64、80）48080
_________________________________________________________________
conv1d_3（conv1d）（无，64100）40100
_________________________________________________________________
最大池1 d_1（最大池1（无，32100）0
_________________________________________________________________
密集型_1（密集型）（无，32，300）30300
_________________________________________________________________
展平1（展平）（无，9600）0
_________________________________________________________________
密集型_2（密集型）（无，1）9601
=================================================================
总参数：130061
可培训参数：130061
不可训练参数：0
_________________________________________________________________

如果我将展平层移动到第一个密集层之前，如下所示，我得到了以下模型架构。似乎这一个的模型参数数量比前一个大得多。为什么展平层的放置有如此大的影响？放置展平层的正确方法是什么

model1=Sequential（）
模型1.add（Conv1D（60,32，步幅=1，激活='relu'，填充='因果'，输入形状=（64,1）））
模型1.add（Conv1D（80,10，步幅=1，激活='relu'，填充='因果'））
模型1.add（Conv1D（100,5，步幅=1，激活='relu'，填充='因果'））
模型1.add（MaxPoolg1d（2））
model1.add（展平（））
model1.add（密集（300，activation='relu'））
model1.add（密集（1，activation='relu'））

---

不同之处在于，在第一种情况下，您有一个通道密集层。该层将使用100 x 300=30000个权重和300个偏差，将100个输入映射到300个输出，总共30300个参数。相同的操作将对其从max_Poolg1d_1输入的所有32个通道重复

在第二种情况下，首先展平输入，因此现在有3200个输入并将其映射到300个输出，需要300 x 3200+300=960300个参数

哪一个是正确的取决于您。在第一种情况下，网络更小，学习更快，更不容易过度拟合，但可能不具备在数据集上提供可用性能所需的表现力。但强制密集层以相同的方式处理所有通道是否有意义？只有实验可以告诉你。你必须尝试两种方法，看看哪一种会产生更好的结果