1 常见参数

model.add(Dense(units, #输出的大小（神经元个数）activation=None, #激活函数use_bias=True, #是否添加偏置kernel_initializer='glorot_uniform', #权重矩阵初始化bias_initializer='zeros', #偏置初始化kernel_regularizer=None, #权重矩阵的正则函数bias_regularizer=None,) #偏置的的正则函数)

注意，当Dence层作为输入层时需要添加一个参数 input_dim。

input_dim：代表输入数据的维度 。

2 作用

Dense层可在model中添加神经网络层，model.add(Dense())。

下图（从网上找的图）的黑圆圈为神经元，输入层的神经元会将输入数据直接传递给下一层，在下一层的神经元中对输入值进行处理。因此用Dense层作为输入层时，同时增加了输入层和隐藏层。

 由上图可以，在输入层没有对输入数据进行处理，输入层神经元节点会将输入数据直接传递给下一层（隐层或输出层）。

3 举例

model.add(Dense(512, activation= 'sigmoid', input_dim=2))

input_dim= 2：输入是（*，2）的数组；

units=512：输出是 （*，512） 的数组；

由于Dense层的输出公式为：Out=Activation( Input·Kernel )+Bias，该Dense层的输入Input是（*，2），输出Out是（*，512），因此Bias和Kernel是（2，512）的向量。

注意：当input的秩小于等于2时，那么它直接与权重矩阵进行点乘；当input的秩大于2时，它首先被展平flatten，再计算与权重矩阵的点乘。

4 Dense层参数计算

由于Dense层的输出公式为：Out=Activation( Input·Kernel )+Bias，因此Dense层参数计算公式为：Param = (上一层神经元数量）x （本层的神经元数量） + （本层的神经元数量）。其中，(上一层神经元数量）x （本层的神经元数量）代表的是  的参数个数，加上的本层的神经元数量代表的是的参数。

from keras.layers import Dense
from keras.models import Sequential
model=Sequential()
model.add(Dense(10,input_dim=5))
model.summary()

即Param=(5+1)×10=60。