在Keras中创建Sequential模型时，我知道你需要在第一层提供输入形状。这个输入形状是否会形成一个隐式的输入层呢？

例如，下面的模型明确指定了2个Dense层，但实际上这是否是一个包含3层的模型：由输入形状暗示的一个输入层，一个包含32个神经元的隐藏Dense层，以及一个具有10个可能输出的输出层？

model = Sequential([    Dense(32, input_shape=(784,)),    Activation('relu'),    Dense(10),    Activation('softmax'),])

回答：

实际上，确实是有一个隐式的输入层，也就是说，你的模型是一个具有三层的“老式”神经网络——输入层、隐藏层和输出层。这在Keras的函数式API中更为明显（请查看文档中的示例），在该API中，你的模型将被编写为：

inputs = Input(shape=(784,))                 # 输入层x = Dense(32, activation='relu')(inputs)     # 隐藏层outputs = Dense(10, activation='softmax')(x) # 输出层model = Model(inputs, outputs)

实际上，这个隐式输入层正是你为什么只需要在Sequential API的第一个（显式）层中包含input_shape参数的原因——在后续的层中，输入形状是从前一层的输出推断出来的（参见core.py源代码中的注释）。

你还可能会发现关于tf.contrib.keras.layers.Input的文档很有启发性。