Keras解释：输入层中的节点数

Question

我正在尝试理解简单的 Perceptron 与使用keras Sequence 类时获得的神经网络之间的关系。

我了解到神经网络感知器看起来像这样：

第一层中的每个“节点”是样本x_1，x_2，...，x_n

的特征之一

有人可以解释我在下面的Keras包中找到的神经网络的跳转吗？ 由于输入层有四个节点，这是否意味着网络由四个感知器网络组成？

Answer 1

似乎对感知器的含义存在误解。感知器是一个单独的单元，它将输入与权重相乘，将它们相加并应用激活函数：

现在，您所拥有的图表被称为多层感知器（MLP），它由一组层组的感知器组成，wiki。在Keras中，没有明确的感知器概念，而是一层感知器被实现为Dense层，因为层是密集连接的，即每个输出都连接到层之间的每个输入。第二个图对应于：

model = Sequential()
model.add(Dense(4, activation='sigmoid', input_dim=3))
model.add(Dense(4, activation='sigmoid'))
model.add(Dense(1, activation='sigmoid'))

假设你有sigmoid激活。在这种情况下，通过指定input_dim=3隐式输入图层，最后一层将是输出图层。