在keras中，数据是以张量的形式表示的，不考虑动态特性，仅考虑shape的时候，可以把张量用类似矩阵的方式来理解。
例如
[[1],[2],[3]] 这个张量的shape为（3,1）
[[[1,2],[3,4]],[[5,6],[7,8]],[[9,10],[11,12]]]这个张量的shape为（3,2,2）,
[1,2,3,4]这个张量的shape为（4，）
input_shape：即张量的shape。从前往后对应由外向内的维度。
input_length：代表序列长度，可以理解成有多少个样本
input_dim：代表张量的维度，（很好理解，之前3个例子的input_dim分别为2,3,1）
通过input_length和input_dim这两个参数，可以直接确定张量的shape。
常见的一种用法：
只提供了input_dim=32，说明输入是一个32维的向量，相当于一个一阶、拥有32个元素的张量，它的shape就是（32，）。
因此，input_shape=(32, )
补充知识：keras中的shape/input_shape
在keras中，数据是以张量的形式表示的，张量的形状称之为shape，表示从最外层向量逐步到达最底层向量的降维解包过程。“维”的也叫“阶”，形状指的是维度数和每维的大小。
比如，一个一阶的张量[1,2,3]的shape是(3,);
一个二阶的张量[[1,2,3],[4,5,6]]的shape是(2,3);
一个三阶的张量[[[1],[2],[3]],[[4],[5],[6]]]的shape是(2,3,1)
input_shape就是指输入张量的shape。
例如，input_dim=784，dim是指dimension（维度），说明输入是一个784维的向量，784维的向量怎么表示呢？[[…[1],[2],[3]]…]，左边有784个左括号，这相当于一个一阶的张量，它的shape就是(784,)。
因此，input_shape=(784,)。
以上这篇浅谈Keras参数 input_shape、input_dim和input_length用法就是小编分享给大家的全部内容了，希望能给大家一个参考。
