关于层数的Keras混淆

Question

我对Keras模型中使用的层数有点困惑。文件在这件事上相当不透明。

根据Jason Brownlee的说法，第一层技术上由两层组成，输入层由input_dim指定，并有一个隐藏层。请参阅his blog上的第一个问题。

在所有Keras文档中，第一层通常指定为 model.add(Dense(number_of_neurons, input_dim=number_of_cols_in_input, activtion=some_activation_function))。

我们可以做出最基本的模型将因此会：

model = Sequential() 
model.add(Dense(1, input_dim = 100, activation = None)) 

请问这个模型包括单层，其中100维输入是通过一个单一的输入神经元传递的，或者它由两层，首先是100维输入层和第二个1维隐藏层？

此外，如果我要指定一个这样的模型，它有多少层？

model = Sequential() 
model.add(Dense(32, input_dim = 100, activation = 'sigmoid')) 
model.add(Dense(1))) 

这是一个有1个输入层，1个隐藏层和1个输出层的模型，还是这个模型有1个输入层和1个输出层？

Answer 1

对于第一个问题，该模型是：

1输入层和1个输出层。

对于第二个问题：

1输入层

1隐藏层

1活化层（乙状结肠一个）

1输出层

对于输入层，这是由Keras用input_dim arg或input_shape抽象出来的，但您可以在以下位置找到该图层：

from keras.layers import Input 

相同的激活层。

from keras.layers import Activation 

Answer 2

你的第一种包括连接到一个单一输出神经元

你的第二个由100层的神经元的输入层的100层的神经元的输入层，32个神经元的一个隐藏层和一个单神经元的一个输出层。

您必须将您的第一层视为您的输入图层（具有与dimenson相同数量的神经元，因此您的100个神经元）连接到另一个图层，其中包含您指定的神经元数量（第一个情况为1，在第二个）

在Keras什么是有用的32是命令

model.summary()