Keras解释：输入层的节点数答案

【问题标题】：Keras explanation: number of nodes in input layerKeras解释：输入层的节点数
【发布时间】：2018-10-27 22:15:05
【问题描述】：

我试图理解一个简单的感知器和一个在使用 keras Sequence 类时得到的神经网络之间的关系。

我了解到神经网络感知器是这样的：

第一层中的每个“节点”都是样本 x_1、x_2、...、x_n 的特征之一

有人能解释一下我在下面的 Keras 包中找到的神经网络的跳转吗？由于输入层有四个节点，这是否意味着网络由四个感知器网络组成？

【问题讨论】：

标签： neural-network keras

【解决方案1】：

对于什么是感知器似乎存在误解。感知器是一个单一的单元，它将输入与权重相乘，将它们相加并应用一个激活函数：

现在，您拥有的图表称为多层感知器 (MLP)，由分层组织的感知器堆栈组成，wiki。在 Keras 中，没有明确的感知器概念，而是将感知器层实现为Dense 层，因为这些层是密集连接的，即每个输出都连接到层之间的每个输入。第二个图对应于：

model = Sequential()
model.add(Dense(4, activation='sigmoid', input_dim=3))
model.add(Dense(4, activation='sigmoid'))
model.add(Dense(1, activation='sigmoid'))

假设您有 sigmoid 激活。在这种情况下，通过指定input_dim=3，输入层是隐式的，最后一层将是输出层。

【讨论】：

你确定第二张图会对应吗？首先，input_dim 可以是任何东西，对吧？第二行也应该是 "...Dense(3..." ?
是的，我敢肯定，您混淆了输入层和隐藏层。第二个图的输入暗淡为 3，因为您有 3 个输入节点。然后这些连接到具有 4 个感知器的第一个隐藏层，因此 Dense(4..)
啊哈，我明白了！所以第二个图是一个神经网络（MLP？），它接受三维数据，对吗？
是的，确实这两个图都是神经网络 (MLP)，每一列/每一层就像一个多维向量。在 Keras 中，您可以为给定层指定输出维度。
谢谢！我想我明白了。我也很困惑，“dim”(stackoverflow.com/questions/44747343/…) 下的答案表明即使输入 input_dim = 3，数据也是“一维的”