我是Keras的新手（以某种方式对TF），但我发现输入层的形状定义非常混乱。
因此在示例中，当我们有一个长度为20的1D向量用于输入时，形状被定义为
...Input(shape=(20,)...)
当需要为MNIST定义灰度图像的2D张量时，它定义为：
...Input(shape=(28, 28, 1)...)
所以我的问题是为什么张量未被定义为(20)和(28, 28)？为什么在第一种情况下添加第二个维度并留空？另外，第二，必须定义多个频道？
据我所知，它取决于图层所以Conv1D，Dense或Conv2D采用不同的形状，但似乎第一个参数是隐式的？
根据docs，密集需要(batch_size, ..., input_dim)，但这与示例有什么关系：
谢谢
答案 0 :(得分：7)
元组与数字
input_shape必须是元组，因此只有(20,)才能满足它。数字20不是元组。 - 有参数input_dim，如果您只有一个维度，可以让您的生活更轻松。此参数可以20。 （但实际上，我发现它只是令人困惑，我总是使用input_shape并使用元组来保持一致的理解。
Dense(32, input_shape=(784,))与Dense(32, input_dim=784)相同。
图片
图像不仅有像素，还有通道（红色，绿色，蓝色） 黑/白图像只有一个通道。
所以，(28pixels, 28pixels, 1channel)
但是请注意，没有任何义务遵循这种形状的图像到处都是。你可以按自己喜欢的方式塑造它们。但是某些层确实需要某种形状，否则它们无法工作。
某些图层需要特定的形状
2D卷积层的情况需要(size1,size2,channels)。他们需要这种形状，因为他们必须相应地应用卷积滤波器。
也是复发层的情况，需要(timeSteps,featuresPerStep)来执行其重复计算。
MNIST模型
同样，没有义务以特定方式塑造您的形象。您必须根据您选择的第一层和您打算实现的目标来完成。这是免费的。
许多例子根本不关心图像是2d结构化的东西，他们只使用784像素的模型。这就够了。它们可能以Dense图层开头，这些图层需要(size,)
其他示例可能会关注，并使用形状(28,28)，但这些模型必须重新整形输入以满足下一层的需要。
卷积层2D将需要(28,28,1)。
主要思想是：输入数组必须与input_shape或input_dim匹配。
张量形状
但是，在阅读Keras错误消息或使用自定义/ lambda图层时要小心。
我们之前定义的所有形状都省略了一个重要的维度：批量大小或样本数量。
在内部，所有张量都将此附加维度作为第一维度。 Keras会将其报告为None（一个适应您所拥有的批量大小的维度）。
因此，input_shape=(784,)将报告为(None,784)
input_shape=(28,28,1)将报告为(None,28,28,1)
您的实际输入数据必须具有与报告的形状匹配的形状。