在 Keras 中创建顺序模型时，我知道您在第一层提供了输入形状。然后这个输入形状会构成一个隐式输入层吗？
例如，下面的模型明确指定了 2 个 Dense 层，但这实际上是一个具有 3 层的模型，由输入形状隐含的一个输入层、一个具有 32 个神经元的隐藏密集层和一个具有 10 个神经元的输出层组成可能的输出？
model = Sequential([
Dense(32, input_shape=(784,)),
Activation('relu'),
Dense(10),
Activation('softmax'),
])
【问题讨论】：
标签： python machine-learning keras neural-network deep-learning
嗯，它实际上 确实是一个隐式输入层，即您的模型是具有三层（输入、隐藏和输出）的“古老”神经网络的示例。这在 Keras 功能 API 中更为明显（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 中模型的第一（显式）层中包含 input_shape 参数的原因 - 在后续层中，输入形状是从输出中推断出来的之前的那些（见core.py源代码中的comments）。
documentation 上的 documentation 也很有启发性。
【讨论】：
这取决于你的观点:-)
根据最近的 Keras 教程示例重写您的代码，您可能会使用：
model = Sequential()
model.add(Dense(32, activation='relu', input_dim=784))
model.add(Dense(10, activation='softmax')
...这使得您只有 2 个 Keras 层更加明确。这正是你所拥有的（至少在 Keras 中），因为“输入层”根本不是一个（Keras）层：它只是一个存储张量的地方，所以它本身也可能是一个张量.
每个 Keras 层都是输出张量的转换，可能与输入具有不同的大小/形状。因此，虽然这里有 3 个可识别的张量（输入、两层的输出），但对应于 2 个 Keras 层只涉及 2 个转换。
另一方面，以图形方式，您可以用 3 个（图形）节点层和两组连接节点层的线来表示这个网络。从图形上看，它是一个 3 层网络。但是这个图形符号中的“层”是一堆圆圈，它们坐在页面上什么都不做，而 Keras 中的层会转换张量并为你做实际的工作。就个人而言，我会习惯 Keras 的观点 :-)
最后请注意，为了有趣和/或简单起见，我用input_dim=784 替换了input_shape=(784,) 以避免Python 使用的语法来混淆新手并创建一维元组：(<value>,)。
【讨论】：