（记录）tensorflow.keras.models.Sequential和输入层InputLayer以及dense层个人理解

model = models.Sequential()
model.add(layers.Dense(64, activation='relu', input_shape=(10000,)))
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(46, activation='softmax'))

神经网络模型的构建通常由输入层，隐藏层和输出层构成

其中，输出层的激活函数通常为softmax

对神经网络全连接层输出进行变换，使其服从概率分布，即每个值都位于[0,1]区间且和为1。

model.add(layers.Dense(46, activation='softmax'))

模型的层间关系

从中我们可以看出模型有着两个隐藏层dense和dense_1，其后dense_2充当输出层。

那么，输入层在哪里呢？

model.add(layers.Dense(64, activation='relu', input_shape=(10000,)))

在其中，我们是可以看到input_shape。这是用来规范dense层的输入大小。那么这时候，这一层就可以理解为指明了input_shape=（10000，）的隐藏层

它的作用相当于

model.add(layers.Input(shape=(10000,)))#输入层
model.add(layers.Dense(64, activation='relu'))#隐藏层，激活函数为relu,输出64维向量

输入层没有对数据进行处理，仅仅是充当一个门口。