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没有被定义为 (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 Channels ？
我明白它取决于层，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
1 回答
Tuples vs numbers
input_shape必须是一个元组，所以只有(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 . 此参数可以采用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，以保持一致的理解） .Dense(32, input_shape=(784,))与Dense(32, input_dim=784)相同 .Images
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)但请注意，没有任何义务可以随处处理图像 . 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 .
Some layers demand specific shapes
这是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 .这也是复发层的情况，需要
(timeSteps,featuresPerStep)来执行它们的重复计算 .MNIST models
同样，没有义务以特定方式塑造您的图像 . 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 .
很多例子都不够 . 它们可能以
Dense层开始，这需要像(size,)这样的形状其他示例可能会关注，并使用形状
(28,28)，但这些模型将不得不重塑输入以满足下一层的需要 .卷积层2D将需要
(28,28,1).主要想法是： input arrays must match input_shape or input_dim.
Tensor shapes
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这些形状都省略了一个重要的维度： the batch size 或 number of samples .
在内部，所有张量都将具有此附加维度作为第一维度 . Keras会将其报告为
None（这个尺寸将适应您拥有的任何批量） .因此，
input_shape=(784,)将报告为(None,784).input_shape=(28,28,1)将被报告为(None,28,28,1)并且您的实际输入数据必须具有与报告的形状匹配的形状 .