我正在自学机器学习，我有一个类似于这个的问题。
我的理解是否正确：
例如，如果我有一个输入矩阵，其中X1、X2和X3是三个数值特征（例如，假设它们是花瓣长度、茎长度、花长度，我试图标记样本是否属于特定花种）：
x1 x2 x3 label5 1 2 yes3 9 8 no1 2 3 yes9 9 9 no 你会将上述表格的第一行（而不是列）的向量输入到网络中，像这样：
即，将有三个神经元（每个值对应一个神经元），然后随机选择w1、w2和w3，接着计算下一列的第一个神经元时，进行我描述的乘法运算，并加上随机选择的偏置项。这就得到了该节点的值。
对于一组节点都是如此（即，每列实际上会有四个节点（三个加上一个偏置），为了简化，我从第二列中移除了其他三个节点），然后在输出前的最后一个节点上，有一个激活函数将总和转换为一个值（例如，sigmoid函数的0-1），该值告诉你分类是yes还是no。
我为这个问题如此基础而道歉，我真的想理解这个过程，我是通过免费资源学习的。因此，一般来说，你应该选择网络中节点的数量是特征数量的倍数，例如，在这种情况下，编写如下代码是有意义的：
from keras.models import Sequentialfrom keras.models import Densemodel = Sequential()model.add(Dense(6,input_dim=3,activation='relu'))model.add(Dense(6,input_dim=3,activation='relu'))model.add(Dense(3,activation='softmax'))我不理解的是为什么Keras模型在网络的每一层都有激活函数，而不仅仅是在最后，这就是我怀疑我的理解是否正确/为什么我添加了图片的原因。
编辑1：我注意到在偏置神经元上，我在边上标注了’b=1’，这可能会引起混淆，我知道偏置没有权重，所以这只是提醒自己偏置节点的权重是1。
回答：
除了标题中的问题外，这里还有几个问题，但由于现在不是进行完整教程的时间和场合，我将讨论限制在你的一些观点上，同时考虑到至少已经有一个答案存在。
因此，一般来说，你应该选择网络中节点的数量是特征数量的倍数，
不是的。
特征的数量是在input_dim参数中传递的，仅用于模型的第一层设置；除了第一层之外，每一层的输入数量仅仅是前一层的输出数量。你写的Keras模型是无效的，它会产生错误，因为对于你的第二层，你要求input_dim=3，而前一层显然有6个输出（节点）。
除了input_dim参数之外，数据特征的数量与网络节点的数量之间没有任何其他关系；由于你似乎在考虑iris数据（4个特征），这里是一个简单的可复现示例，展示了如何将Keras模型应用于它们。
在你使用的Keras顺序API中，有一个隐含的输入层，其节点数量就是输入的维度；详情请参见Keras顺序模型输入层中的回答。
所以，你在便笺本上绘制的模型实际上对应于使用顺序API编写的以下Keras模型：
model = Sequential()model.add(Dense(1,input_dim=3,activation='linear'))在函数式API中，它将被编写为：
inputs = Input(shape=(3,)) outputs = Dense(1, activation='linear')(inputs) model = Model(inputs, outputs)仅此而已，即实际上只是线性回归。
我知道偏置没有权重
偏置确实有权重。同样，有用的类比是与线性（或逻辑）回归的常数项：偏置“输入”本身总是1，其对应的系数（权重）是通过拟合过程学习的。
为什么Keras模型在网络的每一层都有激活函数，而不仅仅是在最后
我相信这个问题在另一个答案中已经得到了充分的解释。
我为这个问题如此基础而道歉，我真的想理解这个过程，我是通过免费资源学习的。
我们都这样做过；不过，没有理由不利用Andrew Ng在Coursera上提供的免费且优秀的机器学习MOOC课程。
