如果有10个特征和1个输出类别（使用sigmoid激活函数）进行回归任务：

如果我在第一个全连接隐藏层中只使用5个神经元：第一个误差是否仅基于训练特征集的一半来计算？难道不应该将特征数量与第一隐藏层的神经元数量匹配，以便模型能够一次看到所有特征吗？否则它就无法获得全貌？第一次前向传播迭代将使用10个特征中的5个，得到误差值（并在反向传播时进行训练，假设使用批量梯度下降）。然后，第二次前向传播迭代将看到剩余的5个特征，并使用更新后的权重，希望能得到更小的误差。但它每次只能看到一半的特征！

相反，如果我有一个包含64个神经元的二维卷积层。我的训练数据形状为：(100, 28,28,1)（灰度猫狗图片），64个神经元是否会看到不同的28×28向量？不是的，因为它一次只能通过前向传播发送一个样本？那么，只有一张图片（猫或狗）应该跨越64个神经元？为什么要这样做呢，因为该层中的每个神经元具有相同的滤波器、步长、填充和激活函数？当你定义一个Conv2D层时…每个神经元的参数都是相同的。那么，每个神经元只接收训练样本的一部分吗？为什么要有64个神经元呢？例如，只需一个神经元，使用一个滤波器，然后传递到具有不同参数的第二个隐藏层！

请解释我逻辑中的错误。非常感谢。

编辑：我刚刚意识到对于Conv2D，你需要将训练数据集展平为一个一维向量，所以一张28×28的图片意味着输入conv2d层需要724个神经元。但我对全连接神经网络（上面的第一段）仍然感到困惑

回答：

你的“第一”层是什么？通常情况下，第一层是输入层，它不包含任何权重。输入层的形状必须与你的特征数据的形状匹配。因此，当你训练一个具有10个特征的模型，但输入层的形状为(None,5)（其中None代表批量大小）时，TensorFlow会抛出异常，因为它需要所有输入的正确形状的数据。

所以你所说的情况不会发生。如果你只有5个特征，接下来的5个特征不会在下一轮迭代中被纳入网络中，而是，下一批样本会被发送到模型中。（假设没有抛出异常）所以下一批样本中也仅会使用前5个特征。

你可以做的是，使用一个input_layer作为第一层，其形状与你的特征相匹配。然后作为第二层，你可以使用任何你喜欢的形状，1、10、100个密集神经元，这取决于你（当然，也取决于什么效果好）。输出的形状再次必须匹配（这次）你的标签数据的形状。

希望这能使你更清楚