keras.layers.Dense 里input_shape

在`keras.layers.Dense`中，`input_shape`用于指定输入数据的形状。它是一个元组，用于定义输入数据的维度。

对于一维输入数据（一维向量或列数据），`input`应该是一个元组 `(input_dim,)`，其中 `input_dim` 是输入数据的特征维度。

对于二维输入数据（例如图像数据），`input_shape`应该是一个元组 `(height, width, channels)`，其中 `height` 是图像的高度，`width` 是图像的宽度，`channels` 是图像的通道数（例如，对于灰度图像，通道数为1；对于彩色图像，通道数为3）。

例如，如果我们有一个一维的输入向量，特征维度为10，可以这样定义一个Dense层：

from tensorflow.keras.layers import Dense

dense_layer = Dense(units=64, activation='relu', input_shape=(10,))

在上面的例子中，`input_shape=(10,)` 表示输入数据是一个一维向量，特征维度为10。

注意，在使用Sequential模型时，只需要在第一层指定 `input_shape` 参数，后续层会自动推断输入形状。如果不指定 `input_shape` 参数，模型会在第一次传入数据时自动推断输入形状。

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

model = Sequential()
model.add(Dense(units=64, activation='relu', input_shape=(10,)))
model.add(Dense(units=64, activation='relu'))
model.add(Dense(units=1, activation='sigmoid'))

在上面的例子中，第一层的 `input_shape=(10,)` 指定了输入数据的形状为一维向量，特征维度为10。后续的Dense层会自动推断输入形状。最终输出层的 `units=1` 表示输出一个标量值，使用sigmoid激活函数进行二分类。