我在用Keras做一个项目，不明白Keras是如何使用数据输入的，也就是说Keras在创建第一层的时候是如何读取我们的输入数据的。
例如：
在这个模型中，有 10 个神经元和一个 3 维输入是什么意思？如果输入数据有 100 个样本（矩阵数据中的行数），Keras 是如何使用它们的？
谢谢。
【问题讨论】：
标签： python machine-learning neural-network keras keras-layer
input_dim=3 表示您的每个输入数据都有 3 个维度。在您的情况下，包含 100 个示例的输入数据的形状应为 (100,3)。编译模型时，示例的数量并不重要。但是您应该确保每个输入数据的维度与您在第一个密集层中设置的input_dim 匹配。
一个简短的例子：
model = Sequential()
model.add(Dense(10, input_dim=3, activation='sigmoid'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adamax')
model.fit(xTrain, yTrain, epochs=50, batch_size=10)
【讨论】：
input_dim=3 表示您的数据具有 3 个特征，这些特征将用于确定最终结果，例如。如果您想确定动物数据指的是什么，您可以将宽度、高度和颜色作为数据。
100 examples 不同动物的宽度、高度和颜色组合允许神经网络调整其参数（学习）什么宽度、高度和颜色指的是哪种动物。 Keras 从神经元的随机权重开始，然后使用提供的样本逐个调整网络权重 100 次。 Keras 实际上使用批量，这意味着将 100 个样本分成更小的组，以获得更好的学习率和一般性能（一次存储在内存中的数据更少）。
10 neurons 是网络能够存储神经元权重和输入数据之间相乘结果的 10 个“位置”。你可以把神经元想象成一个灯泡，它会根据数据是否显示一些有用的数据特征来点亮或变暗。如果动物身高超过 3 米。每个神经元都有自己的一组权重，当网络从您的数据中检查下一个样本时，这些权重会发生一些变化。最后，您应该有 10 个神经元（灯泡），它们的反应或多或少取决于数据中不同特征的存在，例如。如果动物很高。
您拥有的神经元越多，您可以跟踪的特征就越多，例如。如果动物高大、多毛、橙色、斑点等。但是你拥有的神经元越多，你的网络就越有可能过于精确，并且会学习到你的训练示例所独有的特征（这称为过度拟合），但不要帮助您识别未包含在训练数据中的动物样本（这称为泛化能力，是实际训练神经网络最重要的一点）。然后，选择神经元数量是一项实际练习，您可以在其中搜索适合您需要的神经元。
我希望它能澄清你的疑惑。如果您想更深入地了解这个领域，网上有很多很好的资源，详细解释了神经网络的训练过程，包括特征、神经元和学习。
【讨论】：