我正在尝试编写和学习不同的神经网络模型。我对输入维度有很多复杂性。我正在寻找一些教程，它显示了图层的差异以及如何为每个图层设置输入和输出。
答案 0 :(得分：2)
Keras documentation会显示每个图层所需的所有input_shape。
在Keras中，您会看到以下形式的输入形状：
input_shape
用户定义的输入形状和传递到Reshape图层的形状：
定义的输入形状将忽略批量大小，它只需要单个数据样本的大小。
例如，当您定义Dense图层时，将其input_shape表示为(10,)，这意味着它需要十个数值作为输入。
keras一般显示的形状：
这些将以None作为第一维。这表示您用于培训的批次的大小。批处理是包含许多数据样本的数组。由于批量大小是免费的，并且仅在您实际传递批次进行培训时才定义，因此Keras将其显示为None。
在该Dense图层中，Keras会将(None, 10)显示为输入形状。
数组形状：
在培训，预测等过程中，当您实际拥有批次及其大小时，keras将在错误消息中显示批次的实际形状，即（BatchSize，...其他尺寸......）。
对于我们的Dense(10)，假设您通过了一个包含300个样本的批处理进行培训，那么keras会显示包含形状(300,10)的错误消息
张量形状：
当您创建Lambda图层或自定义图层以及创建自定义丢失函数时，张量形状将出现在更高级的用法中。
张量形状将遵循将批量大小作为第一维的想法。所以，请记住，无论何时直接使用张量，它们都会有(BatchSize, ...other dimensions...)形状。
现在你知道了这些差异，我将继续使用下面None的表单。在定义input_shape时，请记住忽略None部分。
密集层通常采用单个值，而不是数组作为输入，因此，其输入形状为：(None, AnyNumberOfInputValues)
输出类似：(None, NumberOfNeuronsInThisLayer)
只有一个维度的卷积层。使用卷积时，想法是有渠道。
想象一下声音文件，它包含左右两个声道。每个通道是对应于波形的值的数组。
Keras为您提供channels_first或channels_last选项，这会更改图层的输入和输出：
(None, channels, length) (None, length, channels) 输出也遵循“channels_first / channels_last”设置，它是这样的：(None, NumberOfFilters, ResultingLength) - 首先是频道
默认设置为“channels_last”，您可以在每个图层或keras.json文件中定义它
与Conv1D相同的想法，使用频道，首先是频道，最后是频道。但现在，它有两个维度，如图像，每个通道与红色，绿色，蓝色相比。
(None, channels, pixelsX, pixelsY) (None, pixelsX, pixelsY, channels) 在“channels_firts / channels_last”设置之后的输出类似于(None, NumberOfFilters, resultPixelsX, resultPixelsY)的channels_first。
Lstm图层很难理解。他们有一些使用不同输入形状的选项，并且有一些有趣的教程，例如this one和this too。
通常，输入形状为(None, TimeSteps, InputDimension)
由于LSTM用于序列，因此您可以按时间步骤分离序列。输入维度只是具有多维值的可能性。
输出也会根据所选的选项而有所不同。它可能是(None, Timesteps, NumberOfCellsInTheLeyr)或仅(None, NumberOfCells)，具体取决于您是否选择返回序列。