来自 https://www.tensorflow.org/api_docs/python/tf/keras/layers/Dense(*注释部分(
对于 (batch_size， d0， d1( 的输入，为什么每个子张量 (1， 1， d1( 都使用相同的(d1， units( 内核？
此外，为什么高维密集层操作被分解为在输入节点的子集上工作，而不是从所有 d0xd1 输入到输出节点的权重？
如果我错过了一些明显的东西，我深表歉意，并感谢您的任何帮助！
所以我深入研究了源代码，发现Tensorflow改变了他们实现密集操作的方式，我问我在uni的老板为什么做出这个改变。
在 tf1 中，对于秩 2>输入，他们扁平化了输入，只做了一个常规的一维密集操作。
https://github.com/tensorflow/tensorflow/blob/r1.15/tensorflow/python/keras/layers/core.py
在 tf2 中，对于秩 2>输入，他们使用张量点运算。这使用较小的内核并将其共享给所有输入子张量。这具有共享学习到的通道信息的效果。
https://github.com/tensorflow/tensorflow/blob/master/tensorflow/python/keras/layers/ops/core.py