我对机器学习很陌生，我不确定神经网络模型的 Tensorflow 实现。下面的模型有多少层？
model = Sequential()
model.add(Dense(200, activation="tanh"))
model.add(Dropout(0.3))
model.add(Dense(1, activation='sigmoid'))
我认为答案是 2，因为 dropout 适用于输入层，但输入形状是 (None, 20) 而不是 200，那么 Dense 层实际上是否遵循隐式输入层？
在谈论前馈神经网络时，我们区分了输入层、隐藏层和输出层。通常你有一个输入和输出层以及一个或多个隐藏层。
在您的情况下，代码中没有明确提到具有 20 个输入神经元的输入层，但它仍然存在。此外，还有一个具有 200 个神经元的隐藏层和一个具有单个神经元的输出层。
所以我会说你有一个三层网络。但也许还有其他关于如何计算前馈神经网络中层数的约定。有些可能会排除输入层。
如果您想计算 tensorflow 中的层数（当前版本2.x为最新），由于模型存储在变量model中，您只需要编写：
print(len(model.layers))
因为 dropout 适用于输入层
您所说的就行为而言是正确的，但Dropout是作为一个单独的层实现的，即keras.layers.Dropout。我们可以像对待任何其他层一样对待它。
model = keras.Sequential()
model.add(keras.layers.Dense(200, input_shape=(50,), activation="tanh"))
model.add(keras.layers.Dropout(0.3))
model.add(keras.layers.Dense(1, activation='sigmoid'))
model.summary()
for layer in model.layers:
print(layer)
那么该密集层实际上是否遵循隐式输入层？
您的模型尚未构建。如果不提供输入形状或拟合数据，它就无法知道输入形状。因此，它无法知道第一层的权重/偏差的数量。