【发布时间】：2017-05-03 16:22:25
【问题描述】：
在哪里可以找到keras.layers.Input 类的 API 文档？我在https://keras.io/ 找不到它。
【问题讨论】：
标签： keras
【发布时间】：2017-05-03 16:22:25
【问题描述】：
当您不习惯 Keras 时，这些文档真的很难阅读。
但是构建 keras 模型有两种方法：
-
Sequential模型 -
Model函数式 API
Input 层不与Sequential 模型一起使用，仅与Model 一起使用。
可能没有明确的文档，因为Input 层除了为模型定义输入数据的形状外，什么都不做。 （事实上，它创建了一个“张量”，您可以将其用作其他层的输入）。
假设您正在创建一个使用 MNIST 数据批量处理的模型，其中包含 28x28 像素的图像。那么你的输入形状就是(28,28)（见*）。
在创建模型时，您使用 Input 来定义它：
#inp will be a tensor with shape (?, 28, 28)
inp = Input((28,28))
然后以下层将使用此输入：
x = SomeKerasLayer(blablabla)(inp)
x = SomeOtherLayer(blablabla)(x)
output = TheLastLayer(balblabla)(x)
当你创建模型时，你定义了数据将遵循的路径，在这种情况下是从输入到输出：
model = Model(inp,output)
使用Model api，还可以创建分支、多输入和多输出、分支等。
如果有多个输入，您将创建多个Input 层。
有关实际层的更高级示例，请参见此处：https://keras.io/getting-started/functional-api-guide/
* - 这不是规则。根据您格式化输入数据的方式，此形状可能会发生变化。有些模型不喜欢关心 2D 信息，而是使用形状为 (784,) 的扁平图像。将使用卷积层的模型通常会将输入数据塑造为(28,28,1)，即具有一个通道的图像。 （通常，图像有 3 个通道，RGB）。
Input 的参数
Input 方法的代码定义为here（2017 年 12 月 22 日至 2017 年）
可能的论点：
- shape：定义单个样本的形状，批量大小可变（如上图）
- batch_shape：在传递的形状中明确定义批次的大小
-
张量：不是将输入形状传递给模型，而是传递现有张量，例如，您可以传递一个填充了值的张量，例如
K.variable()。 - 其他参数：
name、dtype和sparse。
【讨论】：
-
感谢您的帮助。我发现 tensorflow 有一些关于 keras 的 API。那些
tf.contrib.keras是否等于keras，例如tf.contrib.keras.layers等于keras.layers？ tensorflow.org/versions/master/api_docs/python/tf/contrib/keras -
我不知道 :(
-
这是一个很好的答案。一个明确的问题：我见过 Input(shape=(None,256)) 或 Input(shape=(256,)) 的示例。我理解 None 是一个占位符，但不理解 None 是第一与第二（与第三，...）时的差异，或者最终如何解决该维度。这部分在某处有解释吗？
-
None是一个可变大小的维度。形状完全取决于您打算如何处理数据。如果您创建Input(shape=(None,256))，在内部您将有一个形状为(?,?,256)的占位符 - 可变批量大小、可变第二维（通常是长度或时间步长）和最后一维中的 256 个元素（通常是通道或特征）。通常，这是在具有“长度”的数据中完成的，例如时间序列、一维卷积等。
上面的答案已经总结了大部分内容。但正如评论中提到的，我认为tf.contrib.keras 包含有关keras 的文档。 This 链接包含相同的文档。
正如接受的答案中提到的，Input 可以与model 一起使用来表示张量。事实上，它返回一个张量。我理解它的方式是，它有点类似于tf.placeholder，因为它允许我们单独根据Input 对象定义模型并稍后拟合模型。以下是 tensorflow 文档中的示例。
# this is a logistic regression in Keras
x = Input(shape=(32,))
y = Dense(16, activation='softmax')(x)
model = Model(x, y)
这里可以看出Input的用法和tf.placeholder的用法有些相似
【讨论】：