了解基本的神经网络结构答案

【问题标题】：Understanding of Basic Neural Network Structure了解基本的神经网络结构
【发布时间】：2020-09-29 20:00:36
【问题描述】：

假设我想在 Keras 中编写这个基本的神经网络结构，它在输入层有 10 个单元，在输出层有 3 个单元。

现在如果我使用 Keras，并且输入形状大于 10，它将如何调整。

from tensorflow.keras.models import Sequential 
from tensorflow.keras.layers import Dense
model = Sequential()
model.add(Dense(10, activation = 'relu', input_shape = (64,)))
model.add(Dense(3, activation = 'sigmoid'))

model.summary()

你看，这里 input_shape 的大小是 64，但是它将如何在第一层有 10 个单位的模型中调整，因为据我所知，输入形状/向量的大小应该等于输入层中的单位数.

或者我没有实现这个神经网络对吗？

【问题讨论】：

你已经实现了 2 层网络。第一层的权重矩阵为 64x10，第二层为 10x3。在图片上，您有 1 层网络，有 10 个输入（不是 64 个）和 3 个输出。这对应于您的第二层。
@Slowpoke 这是不正确的；显示的代码对应于 3 层 网络，因为这里有一个隐式输入层 - 请参阅 Keras Sequential model input layer
@desertnaut 我认为的问题是关于不理解什么是全连接层本身，它是如何用矩阵表示的以及输入和输出的数量是什么意思。将输入转换为张量的输入“层”是 keras 技术的东西。当然，我们可以在图表上将其绘制为具有 1 对 1 连接的两列点，但没有理由这样做
@Slowpoke 我的反对意见专门针对您的陈述“您实现了 2 层网络”，正如我已经说过的那样，这是不正确的。 OP 已经实现了一个 3 层网络。关于我认为的问题等，我什么也没说
@desertnaut 您提供的链接有助于我理解。

标签： python tensorflow keras neural-network

【解决方案1】：

这不是问题。形状 (10,64) 的权重矩阵将用于输入层。您的输入形状为 64，第一个隐藏层有 10 个单位，输出为 3 个单位。对我来说似乎很好。

但是您的输入层本身是 64。所以您得到的是一个 3 层网络，其中隐藏层为 10 个单元。

【讨论】：

【解决方案2】：

如果您的输入向量的形状是 64，那么您确实需要一个大小为 64 的输入层。神经网络的输入层不执行任何计算。它只是将输入向前传递到第一个隐藏层。另一方面，它执行其中包含的所有神经元的计算（输入向量和权重的线性组合，后来用作激活函数的输入，在您的情况下是 ReLU）。

在您的代码中，您正在构建一个包含 64 个输入神经元（同样不执行任何计算）、第一个（也是唯一一个）隐藏层中的 10 个神经元和输出层中的 3 个神经元的神经网络。

【讨论】：