这是我的测试代码:

from keras import layersinput1 = layers.Input((2,3))output = layers.Dense(4)(input1)print(output)

输出结果是:

<tf.Tensor 'dense_2/add:0' shape=(?, 2, 4) dtype=float32>

但这是怎么回事?

文档中提到:

注意: 如果输入层的秩大于2，则在与核进行初始点积之前会先将其展平。

而输出结果是重塑的?

回答：

目前，与文档中所述相反，Dense层是应用在输入张量的最后一个轴上:

与文档相反，我们实际上并没有将其展平。它是独立应用在最后一个轴上的。

换句话说，如果一个具有m个单元的Dense层被应用在形状为(n_dim1, n_dim2, ..., n_dimk)的输入张量上，它的输出形状将是(n_dim1, n_dim2, ..., m)。

附注: 这使得TimeDistributed(Dense(...))和Dense(...)彼此等效。

另一个附注: 请注意，这会产生共享权重的效果。例如，考虑这个玩具网络:

model = Sequential()model.add(Dense(10, input_shape=(20, 5)))model.summary()

模型摘要:

_________________________________________________________________Layer (type)                 Output Shape              Param #   =================================================================dense_1 (Dense)              (None, 20, 10)            60        =================================================================Total params: 60Trainable params: 60Non-trainable params: 0_________________________________________________________________

如你所见，Dense层只有60个参数。这是怎么回事? Dense层中的每个单元都与输入中每行的5个元素连接，并且使用相同的权重，因此10 * 5 + 10 (每个单元的偏置参数) = 60。

更新。 这里是上述示例的视觉插图: