tensorflow2.1.0——Squential文档解读

在Squential列表里边可以有选择性的写input_shape参数，下面介绍介绍几种写法，任选其一即可，选择自己习惯的常用。

• (1) 当我们选择在第一层声明input_shape时，有以下几种写法
• 这种写法会让模型从一开始就有网络参数，并随着网络深度的增加，后面会自动地随机初始化对应shape地权重

##  写法1
model = Sequential()
model.add(Dense(32, input_shape=(500,)))

## 写法2
model = Sequential()
model.add(Dense(32, input_dim=500))

## 写法3
model = Sequential()
model.add(Dense(32, batch_input_shape=(None, 500)))

## 写法4
model = Squential([
	Dense(32,input_shape//input_dim//batch_input_shape=(500,)//500//(None,500))
])

• (2) 当我们选择在第一层不声明input_shape时，有以下几种写法
• In that case the model gets built the first time you call fit (or other
  training and evaluation methods)
• 模型会通过fit函数或者其他训练或者评估地过程来构建网络，言外之意就是就要给了数据，我就可以构建网络了

model = Sequential()
model.add(Dense(32))
model.add(Dense(32))
model.weights # empty[]
model.compile(optimizer=optimizer, loss=loss)
# This builds the model for the first time:
model.fit(x, y, batch_size=32, epochs=10)

# Alternative way,we just give data to model
data = tf.ones(shape=(3,3))
out = model(data) # 调用Model类地call函数进行前向传播
model.weights   # not empty[weights values]

# Another way :通过调用build函数进行手工构建build(batch_input_shape)
model = Sequential()
model.add(Dense(32))
model.add(Dense(32))
model.build((None, 500))  # None表示batch_size，可以表示为任意地维度，等待接收。
model.weights  # returns list of length 4

写在后面

了解神经网络地输入的shape非常重要，如果不了解清楚我们的data的shape和神经网络的shape是否相配，会导致网络的混乱。还有很重要一点要搞清楚参数是否包含batch_size的大小！
要注意两个参数的不同：
①input_shape:不包含batch_size
②batch_input_shape:包含batch_size，在一般情况下，都写成None。当然，在非常具体的情况下可以写为具体的数字。