“ Flatten”在Keras中的作用是什么？

我试图了解该Flatten功能在Keras中的作用。下面是我的代码，它是一个简单的两层网络。它接收形状为（3，2）的二维数据，并输出形状为（1，4）的一维数据：

model = Sequential()
model.add(Dense(16, input_shape=(3, 2)))
model.add(Activation('relu'))
model.add(Flatten())
model.add(Dense(4))
model.compile(loss='mean_squared_error', optimizer='SGD')

x = np.array([[[1, 2], [3, 4], [5, 6]]])

y = model.predict(x)

print y.shape

打印出y形状为（1、4）的图形。但是，如果我删除该Flatten行，则会打印出y形状为（1、3、4）的行。

我不明白 根据我对神经网络的理解，该model.add(Dense(16, input_shape=(3, 2)))函数正在创建一个具有16个节点的隐藏的全连接层。这些节点中的每个都连接到3x2输入元素中的每个。因此，该第一层输出处的16个节点已经“平坦”。因此，第一层的输出形状应为（1、16）。然后，第二层将此作为输入，并输出形状为（1、4）的数据。

因此，如果第一层的输出已经“平坦”并且形状为（1，16），为什么还要进一步使其平坦？

如果阅读的Keras文档条目Dense，您将看到以下调用：

Dense(16, input_shape=(5,3))

这样将形成一个Dense具有3个输入和16个输出的网络，这些网络将独立应用于5个步骤中的每个步骤。因此，如果D(x)将3维矢量转换为16维矢量，则从图层输出的输出将是一系列矢量：[D(x[0,:]), D(x[1,:]),..., D(x[4,:])]shape (5, 16)。为了具有您指定的行为，您可以先将Flatten输入输入到15维矢量，然后应用Dense：

model = Sequential()
model.add(Flatten(input_shape=(3, 2)))
model.add(Dense(16))
model.add(Activation('relu'))
model.add(Dense(4))
model.compile(loss='mean_squared_error', optimizer='SGD')

编辑： 由于有些人难以理解-在这里，您有一个解释性的图像：

Flatten是将Matrix转换为单个数组的工作方式。

_{简短阅读：}

展平张量意味着除去除一个以外的所有尺寸。这正是Flatten层所做的。

_长读：

如果我们考虑创建的原始模型（具有Flatten层），则可以得到以下模型摘要：

Layer (type)                 Output Shape              Param #   
=================================================================
D16 (Dense)                  (None, 3, 16)             48        
_________________________________________________________________
A (Activation)               (None, 3, 16)             0         
_________________________________________________________________
F (Flatten)                  (None, 48)                0         
_________________________________________________________________
D4 (Dense)                   (None, 4)                 196       
=================================================================
Total params: 244
Trainable params: 244
Non-trainable params: 0

对于此摘要，下一张图像有望对每一层的输入和输出大小提供更多的了解。

您可以阅读的Flatten层的输出形状为(None, 48)。这里是提示。您应该阅读(1, 48)或(2, 48)或...或(16, 48)...或(32, 48)，...

实际上，None在该位置上意味着任何批量。对于召回的输入，第一维表示批处理大小，第二维表示输入要素的数量。

的作用展平层在Keras是超级简单：

对张量进行展平操作可将张量整形，使其形状等于不包含批次尺寸的张量中包含的元素数量。

注意：我使用了该model.summary()方法来提供输出形状和参数详细信息。

展平表示您如何序列化多维张量（通常是输入张量）。这允许在（拉平的）输入张量和第一隐藏层之间进行映射。如果第一个隐藏层是“致密的”，则（序列化的）输入张量的每个元素都将与隐藏数组的每个元素连接。如果不使用Flatten，则输入张量映射到第一个隐藏层的方式将是模棱两可的。

我最近遇到了这个问题，它无疑帮助我理解了：https : //www.cs.ryerson.ca/~aharley/vis/conv/

因此，有一个输入，例如Conv2D，MaxPooling2D等，Flatten层位于最后，并准确显示它们的形成方式以及如何定义最终分类（0-9）。