了解密集层的参数单位和input_dim之间的差异

Question

假设我有一个大小为（1000，64）的数据集，其中64是列数（即要素）。在Keras中，假设我要构建以下模型的NN模型：

1. 输入层：显然应该是一层神经元数量与我的数据集中要素数量相等的层。因此，这里的神经元数量= 64。
2. 隐藏层：我希望该隐藏层具有100个神经元。
3. 输出层：这是一个神经元，因为我正在处理二进制分类问题。

现在，要在Keras中构建上述架构，我通常会执行以下操作：

model = Sequential()
model.add(Dense(units=64, input_dim=64, activation='tanh'))  # Input layer
model.add(Dense(units=100, activation='tanh'))  # Hidden layer
model.add(Dense(units=1, activation='sigmoid')) # Output layer

问题是我无法区分units层的参数input_dim和Dense()（对于作为第一层的角色（输入层））。我确实知道input_dim旨在指定数据集中的要素数量（在我的情况下为64），但是我不了解units在此处的作用输入层。 units应该是64吗？换句话说，输入层的参数units是否应该与input_dim相同？

非常感谢您。

Answer 1

让我们先看一下绘画作品

就keras顺序模型符号而言，您将需要两个密集层（在图中标记为虚线框）

1. 密集层1：应具有100个神经元，每个神经元都应作为输入64个要素，因此该密集层的定义为 Dense(units=100, input_dim=64)
2. 密集层2：您在这里想要一个神经元，它将上一个密集层的输出作为输入。 input_dim对于密集层不是必需的，因为它已连接到顺序模型中的先前密集层，并且无论先前密集层的输出是什么，它都作为输入（对于每个神经元） Dense(units=1)

因此模型将是：

model = Sequential()
model.add(Dense(units=100, input_dim=64, activation='tanh'))  # First Hidden layer
model.add(Dense(units=1, activation='sigmoid')) # Output layer

您可以将Dense(units=m, input_dim=n)视为具有m个神经元的层，每个神经元都具有n个输入。该层将输出m输出（每个神经元一个）。