背景

在keras.layers的Sequential 顺序模型API中，顺序模型是多个网络层的线性堆叠

• model.layers 是包含模型网络层的展平列表。

• model.inputs 是模型输入张量的列表。

• model.outputs 是模型输出张量的列表。

但是keras.layers的网络层（包括Dense、LSTM、ConvLSTM2D等）没有显式存在Input_shape参数！

指定输入数据的尺寸

模型需要知道它所期望的输入的尺寸。出于这个原因，顺序模型中的第一层（后面的层可以自动地推断尺寸）需要接收关于其输入尺寸的信息。有几种方法来做到这一点：

• 传递一个input_shape 参数给第一层。它是一个表示尺寸的元组(一个整数或None 的元组，其中None 表示可能为任何正整数)。在input_shape 中不包含数据的batch 大小。

• 某些2D 层，例如Dense，支持通过参数input_dim 指定输入尺寸，某些3D 时序层支持input_dim 和input_length 参数。

• 如果你需要为你的输入指定一个固定的batch 大小，你可以传递一个batch_size 参数给一个层。如果你同时将batch_size=32 和input_shape=(6,8) 传递给一个层，那么每一批输入的尺寸就为(32，6，8)

下面两种方法是相同的：

model = Sequential()
model.add(Dense(32, input_shape=(784,)))
model = Sequential()
model.add(Dense(32, input_dim=784))

核心网络层没有显式的input_shape, input_dim参数，如何传递

input_shape, input_dim参数是通过**kwargs传递的。以LSTM为例：

LSTM的API接口，继承自recurrent.LSTM；

recurrent.LSTM继承自RNN(Layer)：里面就有input_shape的来源；

RNN(Layer)继承自Layer：里面有可以允许的字典的键。

@keras_export('keras.layers.LSTM', v1=[])
class LSTM(recurrent.DropoutRNNCellMixin, recurrent.LSTM):

@keras_export(v1=['keras.layers.LSTM'])
class LSTM(RNN):

@keras_export('keras.layers.RNN')
class RNN(Layer):
    if 'input_shape' not in kwargs and (
        'input_dim' in kwargs or 'input_length' in kwargs):
      input_shape = (kwargs.pop('input_length', None),
                     kwargs.pop('input_dim', None))
      kwargs['input_shape'] = input_shape
     
@keras_export('keras.layers.Layer')
class Layer(module.Module, version_utils.LayerVersionSelector):
allowed_kwargs = {
        'input_dim',
        'input_shape',
        'batch_input_shape',
        'batch_size',
        'weights',
        'activity_regularizer',
        'autocast',
    }

**kwargs 是将一个可变的关键字参数的字典传给函数实参，同样参数列表长度可以为0或为其他值。下面这段代码演示了如何使用kwargs。