Keras如何读取输入数据？

Question

我在一个项目中使用Keras，我不明白Keras是如何使用数据输入的，也就是说Keras在创建第一层时是如何读取我们的输入数据的。

例如：

1. 型号=顺序（）

在这个模型中，有10个神经元和一个三维输入意味着什么？如果输入数据有100个示例（矩阵数据中的行数），Keras如何使用它们？

非常感谢。

Answer 1

input_dim=3表示您的数据有3个特征，将用于确定最终结果，例如，如果您想确定动物数据指的是什么，可以将宽度、高度和颜色作为数据。

100个示例不同动物的宽度、高度和颜色组合允许神经网络调整其参数（学习）什么宽度、高度和颜色指的是哪种动物。Keras从神经元的随机权重开始，一个接一个地使用提供的样本调整网络权重100次。Keras实际上使用批处理，这意味着100个样本被分成更小的组，以获得更好的学习率和一般html" target="_blank">性能（一次存储在内存中的数据更少）。

10个神经元是网络能够存储神经元权重和输入数据之间乘法结果的10个地方。你可以把神经元想象成一个灯泡，根据数据是否显示一些有用的数据特征，例如，如果动物身高超过3米，灯泡会亮一点或暗一点。每个神经元都有自己的权重集，当网络从你的数据中检查下一个样本时，权重会有一点变化。最后，你应该有10个神经元（灯泡），它们的反应或多或少取决于数据中不同特征的存在，例如，如果动物很高。

你拥有的神经元越多，你可以追踪的特征就越多，例如，如果动物是高的、有毛的、橙色的、有斑点的等等。但是，你拥有的神经元越多，你的网络就越有可能过于精确，并且会学习到你的训练示例特有的特征（称为过度拟合）但不要帮助你识别训练数据中未包含的动物样本（这称为泛化能力，是实际训练神经网络的最重要一点）。选择神经元的数量是一个实际的练习，你需要寻找一个适合你需要的神经元。

我希望这能澄清你的疑虑。如果你想更深入地了解这个领域，网上有很多很好的资源详细解释神经网络的训练过程，包括特征、神经元和学习。

Answer 2

input\u dim=3表示每个输入数据都有3个维度。在您的情况下，包含100个示例的输入数据的形状应为（100,3）。编译模型时，示例的数量实际上并不重要。但是您应该确保每个输入数据的维度与您在第一个密集层中设置的input\u dim匹配。

举个简单的例子：

model = Sequential()
model.add(Dense(10, input_dim=3, activation='sigmoid'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adamax')

model.fit(xTrain, yTrain, epochs=50, batch_size=10)