keras inputs

在Keras中，我们可以使用Input()函数来定义模型的输入层。引用\[2\]中提到，shape参数用于指定输入数据的形状，不包括批量大小。例如，shape=(32,)表示输入数据将是32维向量的批量。在逻辑回归中，我们可以使用Input()函数如下所示：

x = Input(shape=(32,)) # 输入层
y = Dense(16, activation='softmax')(x) # 全连接层
model = Model(x, y)

在这个例子中，我们定义了一个输入层x，其形状为(32,)，表示输入数据是32维向量的批量。然后，我们通过Dense层添加了一个全连接层y，使用softmax作为激活函数。最后，我们使用Model()函数将输入层和输出层组合成一个模型model。
#### 引用[.reference_title]
- *1* [关于keras 转tf.serving部署模型的转化](https://blog.csdn.net/weixin_36564614/article/details/119238373)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item]
- *2* [NLP学习笔记（四）：关于keras的Input层与embedding层全解析](https://blog.csdn.net/yyhhlancelot/article/details/86534793)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item]
- *3* [Keras:Input()函数](https://blog.csdn.net/Flag_ing/article/details/107430735)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item]
[ .reference_list ]