是的，我们只有一堆神经元，通过这些神经元流动单个数字。
但是：如果您必须将5个数字作为输入提供给您的网络，则方便将这些数字放在长度为5的数组中。
如果您要为网络提供30,000个示例进行训练，则创建一个具有30,000个元素的数组会更加方便，每个元素都是由5个数字组成的数组。
最终，这个包含30,000个5个数字示例的输入是一个形状为（30000,5）的数组。
然后，每个层都有自己的输出形状。每个层的输出肯定与其自身的神经元数量有关。每个神经元将抛出一个数字（或者有时是一个数组，这取决于您使用的层类型）。但是，10个神经元一起将抛出10个数字，然后将它们打包成一个形状为（30000,10）的数组。
这些形状中的“None”与批量大小（您为训练或预测提供的示例数量）有关。您不定义该数字，当您传递批次时，它会自动理解。
你需要对整个字典进行这样的操作，每当你需要将单词"hello"传递给你的网络时，你将传递[1,0,0,0 ..., 0]。
一句含有五个单词的话将会是由这五个数组组成的数组。也就是说，一句含有五个单词的话的形状将会是(5,300)。如果你传递了三万句话作为样本：(30000,5,300)。在模型中，“None”将出现作为批处理大小(None,5,300)。
还有其他选项，例如创建一个单词“嵌入”(Embedding)，将单词转换为意义向量。只有网络才能理解这些意义。 (Keras中有Embedding层可以实现这一点)。
还有一些被称为CBOW（连续词袋）的东西。
首先要知道你想做什么，这样你就可以将你的单词翻译成符合网络要求的数组。
这只告诉您关于最后一层的信息。其他层的输出都是由后续层计算和打包在一起的，这些层改变了输出。每个层都有自己的输出。（当您拥有模型时，可以执行model.summary()并查看每个层的输出。）
即使如此，不知道您使用哪种类型的层是无法回答该问题的。
有一些层，例如Dense，会抛出像(BatchSize，NumberOfNeurons)这样的内容
但是有一些层，例如Convolution2D，会抛出像(BatchSize，numberOfChannels，pixelsInX，pixelsInY)这样的内容。例如，常规图像有三个通道：红色、蓝色和绿色。传递常规图像的数组可能是(3,sizeX,sizeY)。
所有这些都取决于您使用的层类型。
如果要使用嵌入，有关此内容的信息，请阅读 keras文档。
为此，您将需要将单词转换为索引。
与其说您字典中的每个单词是一个向量，不如说它是一个数字。
您的字典大小如果您希望每个句子都有100个单词，则您的输入形状将为（无，100）。其中包含表示字典中单词的数字的100个数字数组。
您模型中的第一层将是一个Embedding层。
model = Sequential()
model.add(Embedding(theSizeOfYourDictionary, 300, input_length=100)