Question

在Keras中创建Sequential模型时，我知道您在第一层中提供了输入形状。这个输入形状是否会产生隐式输入层？

例如，下面的模型明确指定了2个Dense图层，但这实际上是一个模型，其中3个图层由输入形状隐含的一个输入图层组成，一个隐藏的密集图层包含32个神经元，然后一个输出图层包含10个可能的产出？

model = Sequential([
    Dense(32, input_shape=(784,)),
    Activation('relu'),
    Dense(10),
    Activation('softmax'),
])

Answer 1

嗯，实际上实际上是一个隐含的输入层，即你的模型是一个好老的＆＃34;神经网络有三层 - 输入，隐藏和输出。这在Keras Functional API中更明显可见（请查看文档中的example），其中您的模型将被编写为：

inputs = Input(shape=(784,)) # input layer x = Dense(32, activation='relu')(inputs) # hidden layer outputs = Dense(10, activation='softmax')(x) # output layer model = Model(inputs, outputs)

实际上，这个隐式输入层是您必须仅在Sequential API中的模型的第一个（显式）层中包含input_shape参数的原因 - 在后续层中，输入形状是从以前的输出（请参阅core.py源代码中的comments）。

您还可以在tf.contrib.keras.layers.Input启发时找到documentation。

Keras顺序模型输入层

1 个答案: