keras.layers.LSTM、Dense等传递input_shape参数给第一层

最新推荐文章于 2022-06-01 16:16:08 发布

原创

最新推荐文章于 2022-06-01 16:16:08 发布 · 7.2k 阅读

26 ·

CC 4.0 BY-SA版权

本文介绍了在Keras中如何为模型指定输入数据尺寸，强调了第一层需要输入_shape信息的原因。通过示例展示了*args和**kwargs的用法，特别是LSTM层如何通过**kwargs传递input_shape。此外，还解释了*args用于传递不定数量的位置参数，**kwargs用于传递不定数量的关键字参数。

@创建于：20210413
@修改于：20210413

文章目录

1、背景

在keras.layers的Sequential 顺序模型API中，顺序模型是多个网络层的线性堆叠，可以通过将层的列表传递给Sequential 的构造函数。包含的方法和属性有：

model.layers 是包含模型网络层的展平列表。
model.inputs 是模型输入张量的列表。
model.outputs 是模型输出张量的列表。

但是keras.layers的网络层（包括Dense、LSTM、ConvLSTM2D等）没有显式存在Input_shape参数。

为什么要这么设置；
还可以设置哪些其他类似的参数？

2、指定输入数据的尺寸

模型需要知道它所期望的输入的尺寸。出于这个原因，顺序模型中的第一层（只有第一层，因为下面的层可以自动地推断尺寸）需要接收关于其输入尺寸的信息。有几种方法来做到这一点：

传递一个input_shape 参数给第一层。它是一个表示尺寸的元组(一个整数或None 的元组，其中None 表示可能为任何正整数)。在input_shape 中不包含数据的batch 大小。
某些2D 层，例如Dense，支持通过参数input_dim 指定输入尺寸，某些3D 时序层支持input_dim 和input_length 参数。
如果你需要为你的输入指定一个固定的batch 大小（这对stateful RNNs 很有用），你可以传递一个batch_size 参数给一个层。如果你同时将batch_size=32 和input_shape=(6,8) 传递给一个层，那么每一批输入的尺寸就为(32，6，8)。
因此，下面的代码片段是等价的：

model = Sequential()
model.add(Dense(32, input_shape=(784,)))
model = Sequential()
model.add(Dense(32, input_dim=784))

上面的参考自：
keras-docs-zh-master_text版本 - https://github.com/wanzhenchn/keras-docs-zh

3、核心网络层没有显式的input_shape, input_dim参数，如何传递的?

本人使用的是tensorflow 2.3.0，对应的keras版本是2.3.1（可能是）。
input_shape, input_dim参数是通过**kwargs传递的。
以LSTM为例：

LSTM的API接口，继承自recurrent.LSTM；
recurrent.LSTM继承自RNN(Layer)：里面就有input_shape的来源；

最低0.47元/天解锁文章