Keras 文档 https://keras.io/layers/core/向您展示所有input_shape每层都期望。
在 Keras 中，您将看到以下形式的输入形状：
-
input_shape由用户分层定义
- 摘要和其他中显示的形状
- 阵列形状
- 张量形状
输入由用户定义的形状和传递给的形状Reshape layers:
定义的输入形状将忽略批量大小，它只需要单个数据样本的大小。
例如，当您定义一个Dense层，你声明它的input_shape as (10,)，这意味着它需要十个数值作为输入。
keras 一般显示的形状：
这些将有一个None作为第一维度。这象征着您用于训练的批次的大小。批次是包含许多数据样本的数组。由于批量大小是自由的，并且仅在您实际传递批量进行训练时才定义，因此 Keras 将其显示为None.
在该密集层中，Keras 会显示(None, 10)作为输入形状。
数组形状：
在训练、预测等过程中，当您实际拥有一个批次及其大小时，keras 将在错误消息中显示该批次的实际形状，即（BatchSize，...其他维度...）。
For our Dense(10)，假设你通过了一个包含 300 个样本的批次进行训练，那么 keras 将显示包含 shape 的错误消息(300,10)
张量形状：
当您创建时，张量形状将出现在更高级的用法中Lambda层，或自定义层，以及创建自定义损失函数时。
张量形状将遵循将批量大小作为第一维度的想法。因此，请记住，每当您直接使用张量时，它们都会具有形状(BatchSize, ...other dimensions...).
一些最常见的层及其输入形状：
现在您知道了这些差异，我将继续使用该表格None以下。定义时记得忽略 None 部分input_shape.
Dense
密集层通常采用单个值，而不是数组作为输入，因此，其输入形状为：(None, AnyNumberOfInputValues)
输出将类似：(None, NumberOfNeuronsInThisLayer)
Conv1D
只有一维的卷积层。使用卷积时，其想法是拥有通道。
想象一个声音文件，它包含两个通道，左通道和右通道。每个通道都是与波形相对应的值数组。
Keras 为您提供了以下选择：channels_first or channels_last，这会改变层的输入和输出：
- 首先是渠道：
(None, channels, length)
- 频道最后：
(None, length, channels)
输出也遵循“channels_first/channels_last”设置，如下所示：(None, NumberOfFilters, ResultingLength)- 渠道优先
默认设置为“channels_last”，您可以在每一层或keras.json文件中定义它
Conv2D:
与 Conv1D 的想法相同，使用通道，可以先通道，也可以最后通道。但现在，它有两个维度，就像图像一样，每个通道都与颜色红、绿、蓝进行比较。
- 首先是渠道：
(None, channels, pixelsX, pixelsY)
- 频道最后：
(None, pixelsX, pixelsY, channels)
遵循“channels_firts/channels_last”设置的输出如下(None, NumberOfFilters, resultPixelsX, resultPixelsY)对于channels_first。
循环层：
Lstm 层很难理解。他们有一些使用不同输入形状的选项，并且有一些关于此的有趣教程，例如this one http://philipperemy.github.io/keras-stateful-lstm/ and this too http://machinelearningmastery.com/understanding-stateful-lstm-recurrent-neural-networks-python-keras/.
通常，输入形状是(None, TimeSteps, InputDimension)
由于 LSTM 是针对序列的，因此您可以按时间步长来分离序列。输入维度只是具有多维值的可能性。
输出也根据所选选项的不同而变化。可能是(None, Timesteps, NumberOfCellsInTheLeyr)要不就(None, NumberOfCells)，取决于您是否选择返回序列。
