了解 Dense 层的参数单位和 input_dim 之间的区别

Question

假设我有一个大小为 (1000, 64) 的数据集，其中 64 是列数（即特征）。在 Keras 中，假设我想构建一个 NN 模型，架构如下：

1. 输入层：显然应该是一个神经元数量等于我数据集中特征数量的层。因此，这里的神经元数量 = 64。
2. 隐藏层：我希望这个隐藏层有 100 个神经元。
3. 输出层：这是一个神经元，因为我正在处理二进制分类问题。

现在，要在 Keras 中构建上述架构，我通常会执行以下操作：

model = Sequential()
model.add(Dense(units=64, input_dim=64, activation='tanh'))  # Input layer
model.add(Dense(units=100, activation='tanh'))  # Hidden layer
model.add(Dense(units=1, activation='sigmoid')) # Output layer

问题是我无法区分Dense() 层的参数units 和input_dim（对于作为第一层（输入层）的角色）。我明白input_dim 是为了指定数据集中的特征数量（在我的情况下= 64），但我不明白units 在这里的作用对于输入层强>。 units 应该是 64 岁吗？换句话说，参数units 是否应该与输入层的input_dim 相同？

非常感谢。

Answer 1

让我们先看图示

在 keras 序列模型符号方面，您将需要两个 Dense 层（在图中标记为虚线框）

1. 密集层 1：它应该有 100 个神经元，每个神经元将 64 个特征作为输入，所以这个密集层的定义是 Dense(units=100, input_dim=64)
2. Dense Layer 2：您需要一个神经元，它将前一个密集层的输出作为输入。密集层不需要input_dim，因为它连接到顺序模型中的前一个密集层，并且无论之前的密集层输出什么，它都将其作为输入（对于每个神经元） Dense(units=1)

所以模型将是：

model = Sequential()
model.add(Dense(units=100, input_dim=64, activation='tanh'))  # First Hidden layer
model.add(Dense(units=1, activation='sigmoid')) # Output layer

您可以将Dense(units=m, input_dim=n) 视为具有m 神经元的层，每个神经元都有n 输入。该层将输出m 输出（每个神经元一个）。