Keras 中二维图像的张量形状
Shape of tensor for 2D image in Keras
我是 Keras 的新手（不知何故是 TF 的新手），但我发现输入层的形状定义非常混乱。
所以在示例中，当我们有一个长度为 20 的一维向量作为输入时，形状定义为
...Input(shape=(20,)...)
而当需要为MNIST定义灰度图像的二维张量时，定义为：
...Input(shape=(28, 28, 1)...)
所以我的问题是为什么张量没有定义为(20)和(28, 28)？为什么在第一种情况下添加了第二个维度并将其留空？同样在第二，必须定义通道数？
我知道这取决于层，因此 Conv1D、Dense 或 Conv2D 具有不同的形状，但似乎第一个参数是隐式的？
根据 docs，密集需要 (batch_size, ..., input_dim) 但这与示例有何关联：
谢谢
元组与数字
input_shape必须是一个元组，所以只有(20,)可以满足。数字 20 不是元组。 -- 有参数 input_dim，如果你只有一个维度，可以让你的生活更轻松。这个参数可以取20。 （但实际上，我发现它只是令人困惑，我总是使用 input_shape 并使用元组，以保持一致的理解）。
Dense(32, input_shape=(784,)) 等同于 Dense(32, input_dim=784)。
图片
图像不仅有像素，还有通道（红、绿、蓝）。
black/white 图像只有一个通道。
所以，(28pixels, 28pixels, 1channel)
但请注意，没有义务在任何地方都遵循这种形状的图像。你可以按照你喜欢的方式塑造它们。但是有些层确实需要一定的形状，否则就无法工作。
有些图层需要特定的形状
这是二维卷积层的情况，需要 (size1,size2,channels)。他们需要这种形状，因为他们必须相应地应用卷积滤波器。
循环层也是如此，需要 (timeSteps,featuresPerStep) 来执行它们的循环计算。
MNIST 模型
同样，没有任何义务以特定方式塑造您的形象。你必须根据你选择的第一层和你想要实现的目标来做。这是一件免费的事情。
许多示例根本不关心图像是二维结构的东西，它们只使用采用 784 像素的模型。够了。它们可能从 Dense 层开始，需要像 (size,)
这样的形状
其他示例可能会关心并使用形状 (28,28)，但是这些模型将不得不重塑输入以适应下一层的需要。
2D 卷积层将需要 (28,28,1)。
主要思想是：输入数组必须匹配input_shape或input_dim。
张量形状
不过，在阅读 Keras 错误消息或使用自定义/lambda 层时要小心。
我们之前定义的所有这些形状都忽略了一个重要的维度：批量大小或样本数量。
在内部，所有张量都将此附加维度作为第一维度。 Keras 会将其报告为 None（将适应您拥有的任何批量大小的维度）。
因此，input_shape=(784,) 将被报告为 (None,784)。
input_shape=(28,28,1) 将被报告为 (None,28,28,1)
并且您的实际输入数据的形状必须与报告的形状相匹配。
我是 Keras 的新手（不知何故是 TF 的新手），但我发现输入层的形状定义非常混乱。
所以在示例中，当我们有一个长度为 20 的一维向量作为输入时，形状定义为
...Input(shape=(20,)...)
而当需要为MNIST定义灰度图像的二维张量时，定义为：
...Input(shape=(28, 28, 1)...)
所以我的问题是为什么张量没有定义为(20)和(28, 28)？为什么在第一种情况下添加了第二个维度并将其留空？同样在第二，必须定义通道数？
我知道这取决于层，因此 Conv1D、Dense 或 Conv2D 具有不同的形状，但似乎第一个参数是隐式的？
根据 docs，密集需要 (batch_size, ..., input_dim) 但这与示例有何关联：
谢谢
元组与数字
input_shape必须是一个元组，所以只有(20,)可以满足。数字 20 不是元组。 -- 有参数 input_dim，如果你只有一个维度，可以让你的生活更轻松。这个参数可以取20。 （但实际上，我发现它只是令人困惑，我总是使用 input_shape 并使用元组，以保持一致的理解）。
Dense(32, input_shape=(784,)) 等同于 Dense(32, input_dim=784)。
图片
图像不仅有像素，还有通道（红、绿、蓝）。
black/white 图像只有一个通道。
所以，(28pixels, 28pixels, 1channel)
但请注意，没有义务在任何地方都遵循这种形状的图像。你可以按照你喜欢的方式塑造它们。但是有些层确实需要一定的形状，否则就无法工作。
有些图层需要特定的形状
这是二维卷积层的情况，需要 (size1,size2,channels)。他们需要这种形状，因为他们必须相应地应用卷积滤波器。
循环层也是如此，需要 (timeSteps,featuresPerStep) 来执行它们的循环计算。
MNIST 模型
同样，没有任何义务以特定方式塑造您的形象。你必须根据你选择的第一层和你想要实现的目标来做。这是一件免费的事情。
许多示例根本不关心图像是二维结构的东西，它们只使用采用 784 像素的模型。够了。它们可能从 Dense 层开始，需要像 (size,)
其他示例可能会关心并使用形状 (28,28)，但是这些模型将不得不重塑输入以适应下一层的需要。
2D 卷积层将需要 (28,28,1)。
主要思想是：输入数组必须匹配input_shape或input_dim。
张量形状
不过，在阅读 Keras 错误消息或使用自定义/lambda 层时要小心。
我们之前定义的所有这些形状都忽略了一个重要的维度：批量大小或样本数量。
在内部，所有张量都将此附加维度作为第一维度。 Keras 会将其报告为 None（将适应您拥有的任何批量大小的维度）。
因此，input_shape=(784,) 将被报告为 (None,784)。
input_shape=(28,28,1) 将被报告为 (None,28,28,1)
并且您的实际输入数据的形状必须与报告的形状相匹配。