厘清Keras中的shape,unit,input_shape

新人（没错正是在下）在个性化Github上的Keras代码时，常常会遇到各种输入输出维度的报错，因此打算仔细梳理一下关于里面的shape, unit(Dense等Layer层的必需参数), input_shape, input_dim等参数。

顾名思义TensorFlow

由于TensorFLow以及将Keras封为御用前端，因此笔者的所有Keras代码都是基于tensorflow.keras包实现的。但这里要说的不是二者的关系，而是借助这个tensorflow这个名称了解Keras的各层之间的运行关系。

Tensor本意为“张量”，可以理解为高维度的向量，也可姑且理解为一组带着奇怪复杂形状的数据。而Flow本意为“流”，二者组成TensorFlow顾名思义解释为张量流。

也就是说，我们可以吧机器学习模型的运行看成一些张量组成的流。

这样讲还是很抽象，不过经过下面对各种shape的解释之后就很容易理解了。

shape

shape在keras中是一个turple。

shape=(30,4,10) means 意味着一个三维数组：

• 维度1 - 30长度
• 维度2 - 4长度
• 维度3 - 10长度

对于特定的层来说，可以去参考文档。这里列举几个常用的玩意儿。

• Dense layers: (batch_size, input_size)
  or (batch_size, optional,…,optional, input_size)
• 2D convolutional layers:
  if using channels_last: (batch_size, imageside1, imageside2, channels)
  if using channels_first: (batch_size, channels, imageside1, imageside2)
• 1D convolutions and recurrent layers: (batch_size, sequence_length, features)

Details on how to prepare data for recurrent layers

一般来说就是(batch_size, bulabula)

问题：第一层的Dense(unit,…)和input_shape有啥区别呢？

这就体现出最初的顾名思义TensorFlow了。

对于

Dense(unit,input_shape,...)

unit: 就是该层的单元数，也即该层输出的尺寸。
input_shape: 其实这个参数和这个层没什么关系，它的使命是告诉这个层未来的输入应该是什么样的（这句话像是废话）。下面详细说一说这个input_shape：

在Keras中，我们定义的都是Layers，也就是各个隐藏层。但是Layers之间的各种复杂关系我们不需要关心，但是在这里我们说一个概念：层之间流动了是Tensor，也就是一堆上一层计算得到的复杂形状的数据流给下一层供接下来计算。

我们定义的第一个Layers其实并不是输入层(Input Layer), 而是第一个隐藏层(hidden layer 1)。

因此在此之前的输入层到第一隐藏层的Tensor是Keras接触不到的，只能由智慧的你来告诉他，因此才出现了Input层，实际上它是一个Tensor。

参考

Stack overflow: Keras input explanation: input_shape, units, batch_size, dim, etc