我正在尝试理解Keras中Flatten函数的作用。下面是我的代码，这是一个简单的两层网络。它接受形状为(3, 2)的二维数据，并输出形状为(1, 4)的一维数据：

model = Sequential()model.add(Dense(16, input_shape=(3, 2)))model.add(Activation('relu'))model.add(Flatten())model.add(Dense(4))model.compile(loss='mean_squared_error', optimizer='SGD')x = np.array([[[1, 2], [3, 4], [5, 6]]])y = model.predict(x)print y.shape

这会打印出y的形状为(1, 4)。然而，如果我删除Flatten这一行，那么它会打印出y的形状为(1, 3, 4)。

我不明白这是为什么。根据我对神经网络的理解，model.add(Dense(16, input_shape=(3, 2)))函数创建了一个完全连接的隐藏层，包含16个节点。这些节点中的每一个都连接到3×2输入元素中的每一个。因此，这个第一层的16个输出节点已经是“扁平”的。所以，第一层的输出形状应该是(1, 16)。然后，第二层以此为输入，输出形状为(1, 4)的数据。

那么，如果第一层的输出已经是“扁平”的，并且形状为(1, 16)，为什么我还需要进一步扁平化它呢？

回答：

如果你阅读Keras文档中关于Dense的条目，你会看到这样的调用：

Dense(16, input_shape=(5,3))

会生成一个Dense网络，具有3个输入和16个输出，这些输出将独立应用于5个步骤。因此，如果D(x)将3维向量转换为16维向量，你从这一层得到的输出将是一系列向量：[D(x[0,:]), D(x[1,:]),..., D(x[4,:])]，形状为(5, 16)。为了达到你指定的行为，你可以先将输入Flatten成一个15维向量，然后应用Dense：

model = Sequential()model.add(Flatten(input_shape=(3, 2)))model.add(Dense(16))model.add(Activation('relu'))model.add(Dense(4))model.compile(loss='mean_squared_error', optimizer='SGD')

编辑：由于一些人难以理解，这里有一张解释性的图片：