単位:

「ニューロン」または「セル」、あるいはレイヤー内に含まれるその他のものの量。

これは各レイヤーのプロパティであり、出力形状に関連しています (後で説明します)。図では、他のレイヤーとは概念的に異なる入力レイヤーを除いて、次のようになります。

• 隠れ層 1: 4 ユニット (4 ニューロン)
• 隠し層2: 4ユニット
• 最終層: 1ユニット

形状

シェイプはモデルの構成の結果です。シェイプは、配列またはテンソルの各次元の要素数を表すタプルです。

たとえば、シェイプとは(30,4,10)、3 次元の配列またはテンソルを意味し、最初の次元に 30 個の要素、2 番目の次元に 4 個の要素、3 番目の次元に 10 個の要素が含まれ、合計で 30*4*10 = 1200 個の要素または数値になります。

入力形状

レイヤー間を流れるものはテンソルです。テンソルは、形状を持つ行列として見ることができます。

Keras では、入力層自体は層ではなく、テンソルです。これは、最初の隠し層に送信する開始テンソルです。このテンソルは、トレーニング データと同じ形状である必要があります。

例: RGB (3 チャネル) で 50x50 ピクセルの画像が 30 枚ある場合、入力データの形状は になります(30,50,50,3)。入力レイヤー テンソルは、この形状である必要があります (詳細については、「keras の形状」セクションを参照してください)。

各タイプのレイヤーには、特定の数の次元を持つ入力が必要です。

• Denseレイヤーには次のような入力が必要です(batch_size, input_size)
  • または(batch_size, optional,...,optional, input_size)
• 2D 畳み込み層には次のような入力が必要です。
  • 使用する場合channels_last:(batch_size, imageside1, imageside2, channels)
  • 使用する場合channels_first:(batch_size, channels, imageside1, imageside2)
• 1D畳み込みと再帰層の使用(batch_size, sequence_length, features)
  • 再帰層用のデータの準備方法の詳細

ここで、入力形状はモデルが認識できないため、定義する必要がある唯一の形状です。トレーニング データに基づいて、入力形状を知っているのはあなただけです。

その他のすべての形状は、各レイヤーの単位と特殊性に基づいて自動的に計算されます。

形状と単位の関係 - 出力形状

入力シェイプが指定されると、他のすべてのシェイプはレイヤー計算の結果になります。

各レイヤーの「ユニット」は、出力形状（レイヤーによって生成され、次のレイヤーの入力となるテンソルの形状）を定義します。

各タイプのレイヤーは特定の方法で動作します。密なレイヤーは「ユニット」に基づいた出力形状を持ち、畳み込みレイヤーは「フィルター」に基づいた出力形状を持ちます。ただし、これは常に何らかのレイヤー プロパティに基づいています。(各レイヤーの出力についてはドキュメントを参照してください)

グラフに表示されるタイプである「高密度」レイヤーで何が起こるかを見てみましょう。

高密度レイヤーの出力形状は です(batch_size,units)。つまり、レイヤーのプロパティである単位によって出力形状も定義されます。

• 隠し層 1: 4 ユニット、出力形状: (batch_size,4)。
• 隠し層 2: 4 ユニット、出力形状: (batch_size,4)。
• 最後のレイヤー: 1 ユニット、出力形状: (batch_size,1)。

重量

重みは、入力形状と出力形状に基づいて完全に自動的に計算されます。ここでも、各タイプのレイヤーは特定の方法で動作します。ただし、重みは、何らかの数学的演算によって入力形状を出力形状に変換できるマトリックスになります。

密なレイヤーでは、重みはすべての入力に掛けられます。これは、入力ごとに 1 列、ユニットごとに 1 行の行列ですが、基本的な作業ではこれは重要ではないことがよくあります。

画像では、各矢印に乗算の数字が付いており、すべての数字を合わせると重みマトリックスが形成されます。

Keras のシェイプ

先ほど、入力形状が である、50 x 50 ピクセル、3 チャンネルの画像 30 枚の例を示しました(30,50,50,3)。

定義する必要があるのは入力シェイプのみなので、Keras は最初のレイヤーでそれを要求します。

しかし、この定義では、Keras はバッチ サイズである最初の次元を無視します。モデルは任意のバッチ サイズに対応できる必要があるため、他の次元のみを定義します。

input_shape = (50,50,3)
    #regardless of how many images I have, each image has this shape        

from keras.models import Sequential  
from keras.layers import *  

model = Sequential()    

#start from the first hidden layer, since the input is not actually a layer   
#but inform the shape of the input, with 3 elements.    
model.add(Dense(units=4,input_shape=(3,))) #hidden layer 1 with input

#further layers:    
model.add(Dense(units=4)) #hidden layer 2
model.add(Dense(units=1)) #output layer   

from keras.models import Model   
from keras.layers import * 

#Start defining the input tensor:
inpTensor = Input((3,))   

#create the layers and pass them the input tensor to get the output tensor:    
hidden1Out = Dense(units=4)(inpTensor)    
hidden2Out = Dense(units=4)(hidden1Out)    
finalOut = Dense(units=1)(hidden2Out)   

#define the model's start and end points    
model = Model(inpTensor,finalOut)