背景

在keras.layers的Sequential 順序模型API中，順序模型是多個(gè)網(wǎng)絡(luò)層的線性堆疊

• model.layers 是包含模型網(wǎng)絡(luò)層的展平列表。

• model.inputs 是模型輸入張量的列表。

• model.outputs 是模型輸出張量的列表。

但是keras.layers的網(wǎng)絡(luò)層（包括Dense、LSTM、ConvLSTM2D等）沒(méi)有顯式存在Input_shape參數(shù)！

指定輸入數(shù)據(jù)的尺寸

模型需要知道它所期望的輸入的尺寸。出于這個(gè)原因，順序模型中的第一層（后面的層可以自動(dòng)地推斷尺寸）需要接收關(guān)于其輸入尺寸的信息。有幾種方法來(lái)做到這一點(diǎn)：

• 傳遞一個(gè)input_shape 參數(shù)給第一層。它是一個(gè)表示尺寸的元組(一個(gè)整數(shù)或None 的元組，其中None 表示可能為任何正整數(shù))。在input_shape 中不包含數(shù)據(jù)的batch 大小。

• 某些2D 層，例如Dense，支持通過(guò)參數(shù)input_dim 指定輸入尺寸，某些3D 時(shí)序?qū)又С謎nput_dim 和input_length 參數(shù)。

• 如果你需要為你的輸入指定一個(gè)固定的batch 大小，你可以傳遞一個(gè)batch_size 參數(shù)給一個(gè)層。如果你同時(shí)將batch_size=32 和input_shape=(6,8) 傳遞給一個(gè)層，那么每一批輸入的尺寸就為(32，6，8)

下面兩種方法是相同的：

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

核心網(wǎng)絡(luò)層沒(méi)有顯式的input_shape, input_dim參數(shù)，如何傳遞

input_shape, input_dim參數(shù)是通過(guò)**kwargs傳遞的。以LSTM為例：

LSTM的API接口，繼承自recurrent.LSTM；

recurrent.LSTM繼承自RNN(Layer)：里面就有input_shape的來(lái)源；

RNN(Layer)繼承自Layer：里面有可以允許的字典的鍵。

@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',
??? }

**kwargs 是將一個(gè)可變的關(guān)鍵字參數(shù)的字典傳給函數(shù)實(shí)參，同樣參數(shù)列表長(zhǎng)度可以為0或?yàn)槠渌怠Ｏ旅孢@段代碼演示了如何使用kwargs。