Hiểu các giá trị của Summary () (Output Shape, Param #)?

Question

Tôi đang kiểm tra đầu ra của summaryhàm và không hiểu tất cả các giá trị được in.

Ví dụ, hãy xem mã đơn giản này:

x = [1, 2, 3, 4, 5]
y = [1.2, 1.8, 3.5, 3.7, 5.3]
model = Sequential()
model.add(Dense(10, input_dim=1, activation='relu'))
model.add(Dense(30, input_dim=1, activation='relu'))
model.add(Dense(10, input_dim=1, activation='relu'))
model.add(Dense(1))
model.summary()

Đầu ra:

Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense (Dense)                (None, 10)                20        
_________________________________________________________________
dense_1 (Dense)              (None, 30)                330       
_________________________________________________________________
dense_2 (Dense)              (None, 10)                310       
_________________________________________________________________
dense_3 (Dense)              (None, 1)                 11        
=================================================================
Total params: 671
Trainable params: 671
Non-trainable params: 0
_________________________________________________________________

1. Tại sao ý nghĩa của giá trị Không có, dưới cột Output Shape? Không có nghĩa là gì ở đây?
2. Mạng nào sẽ không hiển thị Không có trong bản tóm tắt?
3. Tại sao ý nghĩa của Params #cột? Giá trị này được tính như thế nào?

Answer 1

1. Không có chỉ là một trình giữ chỗ nói rằng mạng có thể nhập nhiều hơn một mẫu tại thời điểm đó. Không có nghĩa là thứ nguyên này có thể thay đổi. Kích thước đầu tiên trong mô hình keras luôn là kích thước lô. ... Đó là lý do tại sao thứ nguyên này thường bị bỏ qua khi bạn xác định mô hình của mình. Ví dụ: khi bạn xác định input_shape = (100,200), thực ra bạn đang bỏ qua kích thước lô và xác định hình dạng của "từng mẫu".

2. Nonesẽ không hiển thị Nếu bạn đặt một lô cố định. Ví dụ: nếu bạn gửi một loạt 10 hình ảnh, hình dạng của bạn sẽ là (10, 64, 64, 3) và nếu bạn thay đổi nó thành 25, bạn sẽ có (25, 64, 64, 3)

3. Đối với lớp thứ 1 dày đặc , số lượng tham số là 20. Giá trị này nhận được là: 10 (giá trị đầu vào) + 10 (giá trị thiên vị)

   Đối với lớp thứ 2 dày đặc , số lượng tham số là 330. Con số này nhận được là: 10 (giá trị đầu vào) * 30 (tế bào thần kinh ở lớp thứ hai) + 30 (giá trị thiên vị cho tế bào thần kinh trong lớp thứ hai)

   Đối với lớp thứ 3 dày đặc , số lượng tham số là 310. Giá trị này nhận được là: 30 (giá trị đầu vào) * 10 (tế bào thần kinh ở lớp thứ ba) + 10 (giá trị thiên vị cho tế bào thần kinh ở lớp thứ ba)

   Đối với lớp cuối cùng , số tham số là 11. Giá trị này nhận được là: 10 (giá trị đầu vào) * 1 (tế bào thần kinh ở lớp thứ hai) + 1 (giá trị thiên vị cho các tế bào thần kinh ở lớp cuối cùng)

   tổng tham số = 20 + 330 + 310 + 11 = 671