在keras中,数据是以张量的形式表示的,不考虑动态特性,仅考虑shape的时候,可以把张量用类似矩阵的方式来理解。
例如
[[1],[2],[3]] 这个张量的shape为(3,1)
[[[1,2],[3,4]],[[5,6],[7,8]],[[9,10],[11,12]]]这个张量的shape为(3,2,2),
[1,2,3,4]这个张量的shape为(4,)
input_shape:即张量的shape。从前往后对应由外向内的维度。
input_length:代表序列长度,可以理解成有多少个样本
input_dim:代表张量的维度,(很好理解,之前3个例子的input_dim分别为2,3,1)
通过input_length和input_dim这两个参数,可以直接确定张量的shape。
常见的一种用法:
只提供了input_dim=32,说明输入是一个32维的向量,相当于一个一阶、拥有32个元素的张量,它的shape就是(32,)。
因此,input_shape=(32, )
补充知识:keras中的shape/input_shape
在keras中,数据是以张量的形式表示的,张量的形状称之为shape,表示从最外层向量逐步到达最底层向量的降维解包过程。“维”的也叫“阶”,形状指的是维度数和每维的大小。
比如,一个一阶的张量[1,2,3]的shape是(3,);
一个二阶的张量[[1,2,3],[4,5,6]]的shape是(2,3);
一个三阶的张量[[[1],[2],[3]],[[4],[5],[6]]]的shape是(2,3,1)
input_shape就是指输入张量的shape。
例如,input_dim=784,dim是指dimension(维度),说明输入是一个784维的向量,784维的向量怎么表示呢?[[...[1],[2],[3]]...],左边有784个左括号,这相当于一个一阶的张量,它的shape就是(784,)。
因此,input_shape=(784,)。
以上这篇浅谈Keras参数 input_shape、input_dim和input_length用法就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持小牛知识库。
本文向大家介绍浅谈keras中的keras.utils.to_categorical用法,包括了浅谈keras中的keras.utils.to_categorical用法的使用技巧和注意事项,需要的朋友参考一下 如下所示: to_categorical(y, num_classes=None, dtype='float32') 将整型标签转为onehot。y为int数组,num_classes为标
本文向大家介绍浅谈javascript的url参数parse和build函数,包括了浅谈javascript的url参数parse和build函数的使用技巧和注意事项,需要的朋友参考一下 Parse: Build: 以上这篇浅谈javascript的url参数parse和build函数就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持呐喊教程。
本文向大家介绍浅谈js数组和splice的用法,包括了浅谈js数组和splice的用法的使用技巧和注意事项,需要的朋友参考一下 首先添加一个splice函数: splice:该方法的作用就是从数组中删除一个元素 array.splice(index,count,value....); index:表示从哪一个下标开始, count:表示删除元素的个数 value:代表增加的元素 example:
对于任何Keras层(类),有人能解释一下如何理解、、等之间的区别吗? 例如,文档说指定层的输出形状。 在下面的神经网络图像中,有4个单元。这是否直接转换为对象的属性?或者Keras中的等于隐藏层中每个权重的形状乘以单位数?
本文向大家介绍浅谈keras保存模型中的save()和save_weights()区别,包括了浅谈keras保存模型中的save()和save_weights()区别的使用技巧和注意事项,需要的朋友参考一下 今天做了一个关于keras保存模型的实验,希望有助于大家了解keras保存模型的区别。 我们知道keras的模型一般保存为后缀名为h5的文件,比如final_model.h5。同样是h5文件用
本文向大家介绍浅谈Python中函数的参数传递,包括了浅谈Python中函数的参数传递的使用技巧和注意事项,需要的朋友参考一下 1.普通的参数传递 2.参数个数可选,参数有默认值的传递 参数sep的缺省值是'_' 如果这个参数不给定值就会使用缺省值 如果给定 则使用给定的值 需要注意 如果一个参数是可选参数 那么它后面所有的参数都应该是可选的,另外 可选参数的顺序颠倒依然可以正确的给对应的参数赋值