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（3，2）的二维数据，并输出（1，4）的一维数据：
理工酷
资源下载
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
输出y为（1、4）的向量。但是，如果我删除该Flatten行，则会输出（1、3、4）的y。
根据我对神经网络的了解，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。每一个节点都连接到3x2输入元素中的每个值。因此，该第一层的输出处的16个节点已经“平坦”。因此，第一层的输出应为（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”并且为（1，16），为什么我需要使用Flatten行？
如果你阅读的Keras文档条目Dense，将会看到以下调用：
Dense(16, input_shape=(5,3))
这样将形成一个具有3个输入和16个输出的Dense网络，因此，如果D(X)将三维向量转换为16d向量，则输出将得到一个向量序列：[D(x[0，：])、D(x[1，：])、.、D(x[4，：])]，（5，16）的向量。为了实现你指定的行为，可以先将Flatten输入到15维向量，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')
在这里有一个可以解释的图像：
