keras - 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 模型作为以下架构:

输入层:显然应该是一层具有与我的数据集中的特征数量相等的神经元数量。因此，这里的神经元数量 = 64。

隐藏层:我想让这个隐藏层有 100 个神经元。

输出层:这是一个神经元，因为我正在处理一个二元分类问题。

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

问题是我无法区分参数 units和 input_dim为 Dense()层(用于充当第一层(Input Layer)的角色)。我明白 input_dim旨在指定数据集中的特征数量(在我的情况下为 64)，但我不明白 units 的作用这里 对于输入层 .应 units是 64？换句话说，就是参数 units应该是一样的 input_dim对于输入层？

非常感谢。

Answer 1

让我们先看一下图示



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

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，因此这个密集层的定义将是Dense(units=100, input_dim=64)

密集层 2:这里需要一个神经元，它将前一个密集层的输出作为输入。 input_dim密集层不需要，因为它连接到序列模型中的前一个密集层，无论前一个密集层输出什么，它都会作为输入(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

你可以想到 Dense(units=m, input_dim=n)作为具有 m 的层神经元，每个神经元有 n输入。该层将输出 m输出(每个神经元一个)。