關於層數的Keras混淆

Question

我對Keras模型中使用的層數有點困惑。文件在這件事上相當不透明。

根據Jason Brownlee的說法，第一層技術上由兩層組成，輸入層由input_dim指定，並有一個隱藏層。請參閱his blog上的第一個問題。

在所有Keras文檔中，第一層通常指定爲 model.add(Dense(number_of_neurons, input_dim=number_of_cols_in_input, activtion=some_activation_function))。

我們可以做出最基本的模型將因此會：

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

請問這個模型包括單層，其中100維輸入是通過一個單一的輸入神經元傳遞的，或者它由兩層，首先是100維輸入層和第二個1維隱藏層？

此外，如果我要指定一個這樣的模型，它有多少層？

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

這是一個有1個輸入層，1個隱藏層和1個輸出層的模型，還是這個模型有1個輸入層和1個輸出層？

Answer 1

對於第一個問題，該模型是：

1輸入層和1個輸出層。

對於第二個問題：

1輸入層

1隱藏層

1活化層（乙狀結腸一個）

1輸出層

對於輸入層，這是由Keras用input_dim arg或input_shape抽象出來的，但您可以在以下位置找到該圖層：

from keras.layers import Input 

相同的激活層。

from keras.layers import Activation 

Answer 2

你的第一種包括連接到一個單一輸出神經元

你的第二個由100層的神經元的輸入層的100層的神經元的輸入層，32個神經元的一個隱藏層和一個單神經元的一個輸出層。

您必須將您的第一層視爲您的輸入圖層（具有與dimenson相同數量的神經元，因此您的100個神經元）連接到另一個圖層，其中包含您指定的神經元數量（第一個情況爲1，在第二個）

在Keras什麼是有用的32是命令

model.summary()