首页 文章

Keras顺序模型输入层

提问于
浏览 次
4

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 . 这个输入形状是否构成隐式输入层？

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个可能的输出？

model = Sequential([
    Dense(32, input_shape=(784,)),
    Activation('relu'),
    Dense(10),
    Activation('softmax'),
])
machine-learning neural-network deep-learning keras

2 回答

  • 7

    嗯，它实际上是一个隐含的输入层，即你的模型是一个具有三层的输入，隐藏和输出的神经网络的例子 . 这在Keras Functional API中更明确可见（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序列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，输入形状是从先前的输出中推断出来的（请参阅 core.py 源代码中的comments .

    你也可以在 tf.contrib.keras.layers.Input 上发现documentation .

    回复于
  • 0

    Keras功能API确实使事情变得清晰，并且从编程角度来看更加明确 .

    如果我们简单地将其称为输入，那么将输入调用为隐式输入层（通常会开始考虑具有数学函数的图层）会变得令人困惑 . （vs后续层的行为类似于编程模块或可以接受输入的函数，我们从不将这些输入称为另一个模块，只是输入）

    然后，具有激活功能和重量的两个致密层是正确的层

    NODES的概念往往更加清晰，但是层次抽象往往会模糊我们的思想 .

    我从节点级开始学习编程，然后由于术语的转换而在层级上变得非常困惑 .

    如果嵌入其他概念，你的大脑往往会在类似的事物在结构层面被命名不同时容易混淆 .

    回复于

相关问题