keras层中的参数适用于哪里？

Question

我试图掌握神经网络的基础知识，并努力理解keras层。

从tensorflow的教程中获取以下代码：

model = keras.Sequential([
    keras.layers.Flatten(input_shape=(28, 28)),
    keras.layers.Dense(128, activation=tf.nn.relu),
    keras.layers.Dense(10, activation=tf.nn.softmax)
])

所以这个网络有3层？第一个只是代表像素值的28*28个节点。第二个是隐藏层，它从第一个节点中获取加权和，应用relu，然后将这些发送到10个输出层，这些输出层被软最大化？

但该模型似乎需要不同的层输入：

model = keras.Sequential([
layers.Dense(64, activation=tf.nn.relu, input_shape=[len(train_dataset.keys())]),
layers.Dense(64, activation=tf.nn.relu),
layers.Dense(1)
  ])

为什么输入层现在既有一个input\u形状，又有一个值64？我了解到第一个参数指定了第二层中的节点数，但这似乎与第一个示例中的代码不符。此外，为什么输入层有激活？这是否只是在值进入网络之前重新计算它们？

另外，关于激活函数，为什么softmax和relu被视为替代品？我认为relu适用于单个节点的所有输入，而softmax作用于跨层的所有节点的输出？

任何帮助都非常感谢！

第一个例子来自：https://www.tensorflow.org/tutorials/keras/basic_classification

第二个例子来自：https://www.tensorflow.org/tutorials/keras/basic_regression

Answer 1

基本上，Keras中有两种类型的API：顺序API和函数APIhttps://keras.io/getting-started/sequential-model-guide/

在顺序API中，您不会明确引用输入层https://keras.io/layers/core/#input

这就是为什么需要添加一个input\u形状来指定第一层的尺寸，

更多信息，请参见https://jovianlin.io/keras-models-sequential-vs-functional/