keras中的input_shape和input_dim有什么区别？

Question

目前我正在学习深度学习，并偶然发现了这些困惑：何时使用 input_shape 和 input_dim 参数。

我的数据的形状是 (798,9)，它们有 8 个输入变量和 1 个输出变量，所以我的问题是在制作顺序模型时有什么区别：

model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(units=12,input_shape=(6912,),activation='relu' ))
model.add(tf.keras.layers.Dense(32,activation='relu'))

和

model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(units=12,input_dim=8,activation='relu' ))
model.add(tf.keras.layers.Dense(32,activation='relu'))

那么谁能详细解释一下如何选择 input_size 和 input_dim 以及它们之间有什么区别？

Answer 1

你需要的input_shape = (8,)，这与 完全一样input_dim = 8。

当然，您的期末考试Dense只需 1 个单位。对于回归，您可能需要activation = 'linear'在最后一层，对于分类，您可能需要在最后一层'sigmoid'。

对于更高维度的数据，您将需要input_shape = (dim_1, dim2, ...).