對于任何Keras層（Layer類），有人可以解釋如何理解之間的區別input_shape，units，dim，等？例如，文檔說units指定圖層的輸出形狀。在神經網絡的圖像下面hidden layer1有4個單位。這是否直接轉換為對象的units屬性Layer？還是units在Keras中等于隱藏層中每個權重的形狀乘以單位數？簡而言之，如何利用下面的圖像來了解/可視化模型的屬性，尤其是圖層的屬性？
2 回答
holdtom
TA貢獻1805條經驗 獲得超10個贊
輸入尺寸說明如下：
這不是一個直接的答案，但我剛剛意識到“輸入維度”一詞可能會令人困惑，因此請注意：
它（僅單詞一詞）可以指代：
a）輸入數據（或流）的尺寸，例如傳感器軸的N個，以發射時間序列信號或RGB顏色通道（3）：建議字=>“ InputStream Dimension”
b）輸入要素（或輸入層）的總數/長度（MINST彩色圖像為28 x 28 = 784）或FFT轉換后的“光譜值”中為3000，或
“輸入層/輸入要素尺寸”
c）輸入的維數（維數）（通常是Keras LSTM中期望的3D）或（＃RowofSamples，＃of Senors，＃of Values ..）3是答案。
“輸入的N維”
d）此展開的輸入圖像數據中的特殊輸入形狀（例如（30,50,50,3），如果展開的Keras，則為（30，250，3） ：
Keras的input_dim是指輸入層的尺寸/輸入要素的數量
model = Sequential()
model.add(Dense(32, input_dim=784)) #or 3 in the current posted example above
model.add(Activation('relu'))
在Keras LSTM中，它指的是總時間步長
這個詞很混亂，是正確的，我們生活在一個非?；靵y的世界中！！
我發現機器學習中的挑戰之一是處理不同的語言或方言和術語（例如，如果您有5-8個非常不同的英語版本，那么您需要非常熟練的語言才能與不同的說話者交談）。也許在編程語言中也是如此。
- 2 回答
- 0 關注
- 3690 瀏覽
添加回答
舉報
0/150
提交
取消