Keras输入说明：input_shape，units，batch_size，dim等

Question

对于任何Keras层（Layer类），有人可以解释如何理解之间的区别input_shape，units，dim，等？

例如，文档说units指定图层的输出形状。

在神经网络的图像下面hidden layer1有4个单位。这是否直接转换为对象的units属性Layer？还是units在Keras中等于隐藏层中每个权重的形状乘以单位数？

简而言之，如何利用下面的图像来了解/可视化模型的属性，尤其是图层的属性？

Answer 1

输入尺寸说明如下：这不是一个直接的答案，但我刚刚意识到“输入维度”一词可能会令人困惑，因此请注意：它（仅单词一词）可以指代：a）输入数据（或流）的尺寸，例如传感器轴的N个，以发射时间序列信号或RGB颜色通道（3）：建议字=>“ InputStream Dimension”b）输入要素（或输入层）的总数/长度（MINST彩色图像为28 x 28 = 784）或FFT转换后的“光谱值”中为3000，或“输入层/输入要素尺寸”c）输入的维数（维数）（通常是Keras LSTM中期望的3D）或（＃RowofSamples，＃of Senors，＃of Values ..）3是答案。“输入的N维”d）此展开的输入图像数据中的特殊输入形状（例如（30,50,50,3），如果展开的Keras，则为（30，250，3） ：Keras的input_dim是指输入层的尺寸/输入要素的数量model = Sequential()model.add(Dense(32, input_dim=784))  #or 3 in the current posted example abovemodel.add(Activation('relu'))在Keras LSTM中，它指的是总时间步长这个词很混乱，是正确的，我们生活在一个非常混乱的世界中！！我发现机器学习中的挑战之一是处理不同的语言或方言和术语（例如，如果您有5-8个非常不同的英语版本，那么您需要非常熟练的语言才能与不同的说话者交谈）。也许在编程语言中也是如此。