厘清Keras中的shape-unit-input-shape-input-dim

厘清Keras中的shape,unit,input_shape

首发于我的博客：寒山雨的个人博客

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