背景

在keras.layers的Sequential 顺序模型API中，顺序模型是多个网络层的线性堆叠

(资料图)

model.layers 是包含模型网络层的展平列表。

model.inputs 是模型输入张量的列表。

model.outputs 是模型输出张量的列表。

但是keras.layers的网络层（包括Dense、LSTM、ConvLSTM2D等）没有显式存在Input_shape参数！

指定输入数据的尺寸

模型需要知道它所期望的输入的尺寸。出于这个原因，顺序模型中的第一层（后面的层可以自动地推断尺寸）需要接收关于其输入尺寸的信息。有几种方法来做到这一点：

传递一个input_shape 参数给第一层。它是一个表示尺寸的元组(一个整数或None 的元组，其中None 表示可能为任何正整数)。在input_shape 中不包含数据的batch 大小。

某些2D 层，例如Dense，支持通过参数input_dim 指定输入尺寸，某些3D 时序层支持input_dim 和input_length 参数。

如果你需要为你的输入指定一个固定的batch 大小，你可以传递一个batch_size 参数给一个层。如果你同时将batch_size=32 和input_shape=(6,8) 传递给一个层，那么每一批输入的尺寸就为(32，6，8)

下面两种方法是相同的：

model = Sequential()model.add(Dense(32, input_shape=(784,)))model = Sequential()model.add(Dense(32, input_dim=784))

核心网络层没有显式的input_shape, input_dim参数，如何传递

input_shape, input_dim参数是通过**kwargs传递的。以LSTM为例：

LSTM的API接口，继承自recurrent.LSTM；

recurrent.LSTM继承自RNN(Layer)：里面就有input_shape的来源；

RNN(Layer)继承自Layer：里面有可以允许的字典的键。

@keras_export('keras.layers.LSTM', v1=[])class LSTM(recurrent.DropoutRNNCellMixin, recurrent.LSTM):@keras_export(v1=['keras.layers.LSTM'])class LSTM(RNN):@keras_export('keras.layers.RNN')class RNN(Layer): if 'input_shape' not in kwargs and ( 'input_dim' in kwargs or 'input_length' in kwargs): input_shape = (kwargs.pop('input_length', None), kwargs.pop('input_dim', None)) kwargs['input_shape'] = input_shape @keras_export('keras.layers.Layer')class Layer(module.Module, version_utils.LayerVersionSelector):allowed_kwargs = { 'input_dim', 'input_shape', 'batch_input_shape', 'batch_size', 'weights', 'activity_regularizer', 'autocast', }