我正在使用 Keras 构建卷积神经网络。我遇到了以下问题：
model = tf.keras.Sequential()
model.add(layers.Dense(10*10*256, use_bias=False, input_shape=(100,)))
我很好奇——这在数学上到底发生了什么？
我的猜测是，对于大小为 [100,N] 的输入，网络将被评估 N 次，每个训练示例一次。由创建的 Dense 层layers.Dense包含(10*10*256) * (100)将在反向传播期间更新的参数。
Dense 实现了这个操作：output = activation(dot(input, kernel) + bias)activation 是作为激活参数传递的元素激活函数，kernel 是层创建的权重矩阵，bias 是层创建的偏置向量（仅在 use_bias 为 True 时适用）。
注意：如果层的输入具有大于 2 的秩，则它在与内核的初始点积之前被展平。
例子：
# as first layer in a sequential model:
model = Sequential()
model.add(Dense(32, input_shape=(16,)))
# now the model will take as input arrays of shape (*, 16)
# and output arrays of shape (*, 32)
# after the first layer, you don't need to specify
# the size of the input anymore:
model.add(Dense(32))
论据：
> units: Positive integer, dimensionality of the output space.
> activation: Activation function to use. If you don't specify anything,
> no activation is applied (ie. "linear" activation: a(x) = x).
> use_bias: Boolean, whether the layer uses a bias vector.
> kernel_initializer: Initializer for the kernel weights matrix.
> bias_initializer: Initializer for the bias vector.
>kernel_regularizer:Regularizer function applied to the kernel weights matrix.
> bias_regularizer: Regularizer function applied to the bias vector.
> activity_regularizer: Regularizer function applied to the output of the layer (its "activation")..
>kernel_constraint: Constraint function applied to the kernel weights matrix.
>bias_constraint: Constraint function applied to the bias vector.
输入形状：
具有形状的 ND 张量：(batch_size, ..., input_dim)。最常见的情况是具有形状 (batch_size, input_dim) 的 2D 输入。
输出形状：
具有形状的 ND 张量：(batch_size, ..., units)。例如，对于形状为 (batch_size, input_dim) 的 2D 输入，输出将具有形状 (batch_size, units)。