tf.keras.layers.Input()输入层解析

最新推荐文章于 2025-02-01 18:42:18 发布

InceptionZ

最新推荐文章于 2025-02-01 18:42:18 发布

阅读量3.8w

点赞数 44

分类专栏： tensorflow学习深度学习

本文链接：https://blog.csdn.net/weixin_44441131/article/details/105901178

版权

tensorflow学习同时被 2 个专栏收录

38 篇文章

订阅专栏

深度学习

26 篇文章

订阅专栏

本文深入解析了Keras中输入层的参数与用途，重点介绍了shape、batch_size、name和dtype四个常用参数，并通过实例展示了如何构建一个简单的逻辑回归模型。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1. 参数列表

layers.Input(
    shape=None,
    batch_size=None,
    name=None,
    dtype=None,
    sparse=False,
    tensor=None,
    ragged=False,
    **kwargs,
)

2. 该层的用途

用于构建网络的第一层——输入层，该层会告诉网络我们的输入的尺寸是什么，这一点很重要。例如使用Model(input=x,output=y)构建网络，这种构建方式很常见，用途很广，详细参考文章

3. 参数解析(4个常用的)

shape：输入的形状，tuple类型。不含batch_size；tuple的元素可以为None类型数据，表示未知的或者说任意的，一般这里不用None
batch_size：声明输入的batch_size大小，一般会在预测时候用，训练时不需要声明，会在fit时声明，即dataset类型数据声明了batch_size
name：给layers起个名字，在整个网络中不能出现重名。如果name=None，则系统会自动为该层创建名字。
dtype：数据类型，在大多数时候，我们需要的数据类型为tf.float32，因为在精度满足的情况下，float32运算更快。

4. 举个栗子

# this is a logistic regression in Keras
x = Input(shape=(32,)) # 网络的输入层
y = Dense(16, activation='softmax')(x) # 网络的输出层
model = Model(x, y)

5. 写在后面

在构建神经网络中，一定要注意shape的大小，如果报错在shape上是一件很头疼的事情，所以写一部分测试一下是一个良好的编程习惯。