形状中的“无”表示它没有预定义的数字。例如，它可以是您在训练期间使用的批次大小，并且您希望通过不为其分配任何值来使其灵活，以便可以更改批次大小。该模型将从图层的上下文中推断形状。

要使节点连接到每一层，可以执行以下操作：

for layer in model.layers:
    print(layer.name, layer.inbound_nodes, layer.outbound_nodes)

对于密集层：

output_size * (input_size + 1) == number_parameters 

对于转换层：

output_channels * (input_channels * window_size + 1) == number_parameters

考虑以下示例，

model = Sequential([
Conv2D(32, (3, 3), activation='relu', input_shape=input_shape),
Conv2D(64, (3, 3), activation='relu'),
Conv2D(128, (3, 3), activation='relu'),
Dense(num_classes, activation='softmax')
])

model.summary()
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_1 (Conv2D)            (None, 222, 222, 32)      896       
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 220, 220, 64)      18496     
_________________________________________________________________
conv2d_3 (Conv2D)            (None, 218, 218, 128)     73856     
_________________________________________________________________
dense_9 (Dense)              (None, 218, 218, 10)      1290      
=================================================================

计算参数

assert 32 * (3 * (3*3) + 1) == 896
assert 64 * (32 * (3*3) + 1) == 18496
assert 128 * (64 * (3*3) + 1) == 73856
assert num_classes * (128 + 1) == 1290

我将514维实值输入提供给Keras中的Sequential模型。我的模型按以下方式构造：

    predictivemodel = Sequential()
    predictivemodel.add(Dense(514, input_dim=514, W_regularizer=WeightRegularizer(l1=0.000001,l2=0.000001), init='normal'))
    predictivemodel.add(Dense(257, W_regularizer=WeightRegularizer(l1=0.000001,l2=0.000001), init='normal'))
    predictivemodel.compile(loss='mean_squared_error', optimizer='adam', metrics=['accuracy'])

当我打印model.summary() ，得到以下结果：

Layer (type)    Output Shape  Param #     Connected to                   
================================================================
dense_1 (Dense) (None, 514)   264710      dense_input_1[0][0]              
________________________________________________________________
activation_1    (None, 514)   0           dense_1[0][0]                    
________________________________________________________________
dense_2 (Dense) (None, 257)   132355      activation_1[0][0]               
================================================================
Total params: 397065
________________________________________________________________ 

对于density_1层，参数数量为264710。其获得方式为：514（输入值）* 514（第一层中的神经元）+ 514（偏置值）

对于密集_2层，参数数目为132355。其获得为：514（输入值）* 257（第二层中的神经元）+ 257（第二层中神经元的偏置值）

参数的数量是7850，因为对于每个隐藏的单位，您都有784个输入权重和一个带偏置的连接权重。这意味着每个隐藏的单位都会为您提供785个参数。您有10个单位，因此总计为7850。

这个额外的偏差项的作用确实很重要。它大大增加了模型的容量。您可以阅读详细信息，例如此处的“偏差在神经网络中的作用” 。