我正在使用Keras进行项目，我不了解Keras如何使用数据输入，也就是说Keras在创建第一层时如何读取输入数据。
例如：
在这个模型中，10个神经元和3个维度的输入是什么意思？如果输入数据有100个例子（矩阵数据中的行数），Keras如何使用它们？
谢谢。
答案 0 :(得分：3)
CTF_BLOG_POST_TYPE_ID表示您的每个输入数据都有3个维度。在您的情况下，包含100个示例的输入数据的形状应为input_dim=3。编译模型时，示例的数量并不重要。但是，您应该确保每个输入数据的维度与您在第一个Dense图层中设置的(100,3)相匹配。
一个简短的例子：
input_dim答案 1 :(得分：1)
input_dim=3表示您的数据有3个功能，可用于确定最终结果，例如。如果你想确定动物数据的参考，可以将宽度，高度和颜色作为数据。
100 examples不同动物的宽度，高度和颜色组合允许神经网络调整其参数（学习）宽度，高度和颜色指的是什么样的动物。 Keras以神经元的随机权重开始，并使用提供的样本逐一进行100次调整网络权重。 Keras实际上使用批次，这意味着100个样本被分成更小的组，以获得更好的学习率和一般性能（一次存储在内存中的数据更少）。
10 neurons是10个地方＆＃39;其中网络能够存储神经元权重和输入数据之间的乘法结果。您可以将神经元想象成一个灯泡，它会亮一点或更暗，这取决于数据是否显示某些有用的数据特征，例如。如果动物身高超过3米。每个神经元都有自己的一组权重，当网络从您的数据中检查下一个样本时，这些权重会稍微改变一下。最后你应该有10个神经元（灯泡），它们会以或多或少的强烈反应，这取决于你数据中不同特征的存在，例如。如果动物很高。
您拥有的神经元越多，您可以跟踪的功能越多，例如。如果动物身材高大，毛茸茸，橙色，斑点等等。但是，你拥有的神经元越多，你的网络也越准确，并且会学习你的训练范例中独有的特征（它被称为过度拟合） ）但不能帮助您识别未包含在训练数据中的动物样本（它被称为概括能力，是实际训练神经网络的最重要的一点）。选择神经元的数量是一个实际的练习，你可以搜索一个适合你需要的神经元。
我希望它能澄清你的怀疑。如果你想深入了解这个领域，那么网上有很多很好的资源可以解释神经网络训练过程的细节，包括特征，神经元和学习。