Keras中input_shape和input_dim的区别是什么？

Question

我目前正在学习深度学习，遇到了以下疑惑：何时使用input_shape和input_dim参数。

我的数据形状为（798,9），其中有8个输入变量和1个输出变量，因此我的问题是在创建序列模型时：

• 使用input_shape和
• 使用input_dim有什么区别？

model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(units=12,input_shape=(6912,),activation='relu' ))
model.add(tf.keras.layers.Dense(32,activation='relu'))

并且

model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(units=12,input_dim=8,activation='relu' ))
model.add(tf.keras.layers.Dense(32,activation='relu'))

有没有人可以详细解释一下如何选择input_size和input_dim，以及它们之间的区别？

- MEET SHAH

---

在官方文档https://keras.io/getting-started/sequential-model-guide/中已经很好地解释了。将“input_shape”参数传递给“第一层”。某些2D层（例如Dense）支持通过参数“input_dim”指定其输入形状。如果输入是1-D数组，则可以将input_dim用作标量，无需使用shape。 - alec_djinn

Answer 1

您需要设置 input_shape=(8,)，与 input_dim=8 完全相同。

最终的 Dense 层只需要有1个神经元。对于回归问题，您可能希望在最后一层中使用 activation='linear'，对于分类问题，您将需要 'sigmoid'。

对于更高维度的数据，您需要设置 input_shape = (dim_1, dim2,...)。

- Daniel Möller

---

谢谢，我有点理解了。因为在mnist数据集中，我们为什么要将输入形状设为784呢？我们能否写成28而不是784？ - MEET SHAH

你可以使用(28,28)的3D数据（考虑到批量大小），但是你的模型必须相应地构建以处理3D数据。那些(784,)的例子是将数据压平以使用FCN（全连接网络）。CNN（卷积神经网络）将使用形状为(28,28)的图像正确地进行处理。 - Daniel Möller