Keras序列密集输入层和MNIST:为什么图像需要重塑?

根据OP的要求(即原始海报),我将在我的评论中提及我给出的答案,并详细说明。

是“幕后”吗?

currently the Dense layer is applied on the last axis (height, width) (height, width, channels) ,密集层仅适用于最后一个轴(即宽度或通道)。然而,当图像被展平时,稠密层中的所有单元将被应用到整个图像上,每个单元以不同的权值连接到所有像素上。为了进一步阐明这一点,请考虑以下模型:

model = models.Sequential()
model.add(layers.Dense(10, input_shape=(28*28,)))
model.summary()

Layer (type)                 Output Shape              Param #   
=================================================================
dense_2 (Dense)              (None, 10)                7850      
=================================================================
Total params: 7,850
Trainable params: 7,850
Non-trainable params: 0
_________________________________________________________________

model = models.Sequential()
model.add(layers.Dense(10, input_shape=(28,28)))
model.summary()

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense_3 (Dense)              (None, 28, 10)            290       
=================================================================
Total params: 290
Trainable params: 290
Non-trainable params: 0
_________________________________________________________________

在这种情况下,致密层中只有290个参数。这里,密集层中的每个单元也连接到所有像素,但是不同的是权重在第一轴上共享(28×10+10 bias params=290)。就好像是从图像的每一行中提取特征,而之前的模型是从整个图像中提取特征的。因此,这(即重量分担)可能对您的应用程序有用,也可能不有用。