神经网络中的输入形状和神经元数量可以不同吗？[复制]
在Francois Chollet的《使用Python进行深度学习》一书中，我发现了一段代码，输入形状为784，单位为32？
我想知道他们有什么不同。
下面是确切的代码：
from keras import layers
from keras import models
model = models.Sequential()
model.add(layers.Dense(32, input_shape = 784))
model.add(layers.Dense(32))
共有2个答案
虽然您不能在Dense层中动态设置输入形状，因为权重维度会受到输入神经元数的影响，但Conv2D层可以具有输入形状，例如（无，无，3）。这是可能的，因为卷积层的参数是固定大小的内核，不受输入形状的影响。这就是我们如何将预训练的图像网模型用于各种图像大小的计算机视觉任务。
Input\u shape是密集层输入的形状。单位-是密集层输出的形状。基本上，它们是权重矩阵的两个不同维度。
-
我正在尝试创建一个CNN来对数据进行分类。我的数据是X[N\u数据，N\u特征]我想创建一个能够对其进行分类的神经网络。我的问题是关于keras后端Conv1D的输入形状。 我想在上面重复一个过滤器。。假设有10个特征，然后为接下来的10个特征保持相同的权重。对于每个数据，我的卷积层将创建N\U特征/10个新神经元。我该怎么做？我应该在input\u形状中放置什么？ 有什么建议吗？非常感谢。
-
我在使用Keras和Python对3D形状进行分类时遇到了一个问题。我有一个文件夹，里面有一些JSON格式的模型。我将这些模型读入Numpy数组。模型是25*25*25，表示体素化模型的占用网格（每个位置表示位置（i、j、k）中的体素是否有点），因此我只有1个输入通道，就像2D图像中的灰度图像一样。我拥有的代码如下： 在此之后，我得到以下错误 使用TensorFlow后端。回溯（最后一次调用）：文
-
问题内容： 我正在尝试使用Keras实施LSTM。 我知道Keras中的LSTM需要3D张量与形状作为输入。但是，我不能完全确定输入在我的情况下的样子，因为我对每个输入只有一个观察样本，而不是多个样本，即。将我的每个输入分成长度样本是否更好？对我而言，大约有几百万个观测值，因此在这种情况下，每个样本应保留多长时间，即我将如何选择？ 另外，我是对的，这个张量应该看起来像： 其中M和N如前所述，x对应
-
我有32760个音频频谱，计算维度=72（#帧）x 40（#频段），我试图将其输入“宽”卷积神经网络（第一层是4个不同conv层的合奏）。这些频谱没有深度，因此它们可以表示为72 x 40 2D数字浮点数组，因此分类器的X输入是一个32760个元素长的数组，每个元素都是这些72 x 40 x 1频谱之一。Y输入是一个标签数组，一个热编码，有32760个元素。 当尝试使用 我得到以下错误： 以下是我
-
我正在尝试为数字数据集构建1D CNN。我的数据集有520行和13个特征。下面是代码。 它给出了“ValueError:layer sequential\u 21的输入0与layer不兼容：：expected min\u ndim=3，found ndim=2。接收到的完整形状：（1，13）”错误。 我需要如何设置输入形状，还是必须重塑X\U列？非常感谢您的帮助。
-
例如，有一个3乘3的图像， 有两个2x2滤波器的卷积神经网络卷积图像 最后，输出的维是2x2x2 我可以将上述程序视为以下内容吗？ 由于2x2过滤器，在整个图像上滑动后，我得到了4个小图像 并使用这4幅小图像作为全连接神经网络的输入 最后我也能得到8个输出 我真的不知道CNN中的反向传播，所以我试图从经典的全连接神经网络中理解它。 通过输入一幅小图像，我们可以一次性更新全连接神经网络中的权重，这与