在keras中，資料是以張量的形式表示的，不考慮動態特性，僅考慮shape的時候，可以把張量用類似矩陣的方式來理解。

例如

[[1],[2],[3]] 這個張量的shape為（3,1）

[[[1,2],[3,4]],[[5,6],[7,8]],[[9,10],[11,12]]]這個張量的shape為（3,2,2）,

[1,3,4]這個張量的shape為（4，）

input_shape：即張量的shape。從前往後對應由外向內的維度。

input_length：代表序列長度，可以理解成有多少個樣本

input_dim：代表張量的維度，（很好理解，之前3個例子的input_dim分別為2,1）

通過input_length和input_dim這兩個引數，可以直接確定張量的shape。

常見的一種用法：

只提供了input_dim=32，說明輸入是一個32維的向量，相當於一個一階、擁有32個元素的張量，它的shape就是（32，）。

因此，input_shape=(32,)

補充知識：keras中的shape/input_shape

在keras中，資料是以張量的形式表示的，張量的形狀稱之為shape，表示從最外層向量逐步到達最底層向量的降維解包過程。“維”的也叫“階”，形狀指的是維度數和每維的大小。

比如，一個一階的張量[1,3]的shape是(3,);

一個二階的張量[[1,3],[4,5,6]]的shape是(2,3);

一個三階的張量[[[1],[3]],[[4],[5],[6]]]的shape是(2,1)

input_shape就是指輸入張量的shape。

例如，input_dim=784，dim是指dimension（維度），說明輸入是一個784維的向量，784維的向量怎麼表示呢？[[...[1],[3]]...]，左邊有784個左括號，這相當於一個一階的張量，它的shape就是(784,)。

因此，input_shape=(784,)。

以上這篇淺談Keras引數 input_shape、input_dim和input_length用法就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。