畅游人工智能之海--Keras教程之融合层

Posted on Edited on

畅游人工智能之海--Keras教程之融合层

各位读者大家好，上周我们已经详细讲解了Keras的卷积层和池化层，相信大家经过学习已经对两者有了一个清晰的认识，也能更好地把它们运用到图像处理中。池化层和卷积层是非常重要的网络层类型，大家在学习之后也需要动手实践去更好地理解它们。鉴于上周学习了比较难的网络层，那么今天我们就来放松一下，学习Keras中比较简单的融合层。让我们开始今天的学习吧

Add层
1
keras.layers.Add()

作用：

计算输入张量列表的和。

输入尺寸：

它接受一个张量的列表， 所有的张量必须有相同的输入尺寸， 然后返回一个张量（和输入张量尺寸相同）。

输出尺寸：

一个张量，与输入张量列表的张量尺寸一致。

例子：

1
2
3
4
5
6
7
input1 = keras.layers.Input(shape=(16,))
x1 = keras.layers.Dense(8, activation='relu')(input1)
input2 = keras.layers.Input(shape=(32,))
x2 = keras.layers.Dense(8, activation='relu')(input2)
# 相当于 added = keras.layers.add([x1, x2])
# 将x1和x2两个张量相加，得到与两者尺寸相等的输出向量
added = keras.layers.Add()([x1, x2])
Subtract层
1
keras.layers.Subtract()

功能：

计算两个输入张量的差。

输入尺寸：

它接受一个长度为 2 的张量列表， 两个张量必须有相同的尺寸，然后返回一个值为 (inputs[0] - inputs[1]) 的张量， 输出张量和输入张量尺寸相同。

输出尺寸：

一个张量，与输入张量列表的张量尺寸一致。

例子：

1
2
3
4
5
6
7
input1 = keras.layers.Input(shape=(16,))
x1 = keras.layers.Dense(8, activation='relu')(input1)
input2 = keras.layers.Input(shape=(32,))
x2 = keras.layers.Dense(8, activation='relu')(input2)
# 相当于 subtracted = keras.layers.subtract([x1, x2])
# 使用x1张量减去x2，最终得到一个尺寸与两者相同的张量
subtracted = keras.layers.Subtract()([x1, x2])
Multiply层
1
keras.layers.Multiply()

功能：

计算输入张量列表的（逐元素间的）乘积。

输入大小：

它接受一个张量的列表， 所有的张量必须有相同的输入尺寸， 然后返回一个张量（和输入张量尺寸相同）。

输出大小：

一个张量，与输入张量列表的张量尺寸一致。

例子：

1
2
3
4
5
6
7
input1 = keras.layers.Input(shape=(16,))
x1 = keras.layers.Dense(8, activation='relu')(input1)
input2 = keras.layers.Input(shape=(32,))
x2 = keras.layers.Dense(8, activation='relu')(input2)
# 相当于 multiplied= keras.layers.multiply([x1, x2])
# 使用x1张量乘x2，最终得到一个尺寸与两者相同的张量
multiplied = keras.layers.Multiply()([x1, x2])
Average层
1
keras.layers.Average()

功能：

计算输入张量列表的平均值。

输入：

它接受一个张量的列表， 所有的张量必须有相同的输入尺寸， 然后返回一个张量（和输入张量尺寸相同）。

输出：

一个张量，与输入张量列表的张量尺寸一致。

例子：

1
2
3
4
5
6
7
input1 = keras.layers.Input(shape=(16,))
x1 = keras.layers.Dense(8, activation='relu')(input1)
input2 = keras.layers.Input(shape=(32,))
x2 = keras.layers.Dense(8, activation='relu')(input2)
# 相当于 averaged= keras.layers.average([x1, x2])
# 使用x1张量乘x2，最终得到一个尺寸与两者相同的张量
averaged = keras.layers.Average()([x1, x2])
Maximum层
1
keras.layers.Maximum()

功能：

计算输入张量列表的（逐元素间的）最大值。

输入尺寸：

它接受一个张量的列表， 所有的张量必须有相同的输入尺寸， 然后返回一个张量（和输入张量尺寸相同）。

输出尺寸：

一个张量，与输入张量列表的张量尺寸一致。

例子：

1
2
3
4
5
6
7
input1 = keras.layers.Input(shape=(16,))
x1 = keras.layers.Dense(8, activation='relu')(input1)
input2 = keras.layers.Input(shape=(32,))
x2 = keras.layers.Dense(8, activation='relu')(input2)
# 相当于 maximum= keras.layers.maximum([x1, x2])
# 输出为x1和x2中的最大值
maximum = keras.layers.Maximum()([x1, x2])
Concatenate层
1
2
3
keras.layers.Concatenate(
    axis=-1 #连接的轴
)

功能：

连接一个输入张量的列表。

输入尺寸：

它接受一个张量的列表， 除了连接轴之外，其他的尺寸都必须相同， 然后返回一个由所有输入张量连接起来的输出张量。

输出尺寸：

列表中所有张量根据连接轴连接之后形成的张量大小

例子：

1
2
3
4
5
6
7
input1 = keras.layers.Input(shape=(16,))
x1 = keras.layers.Dense(8, activation='relu')(input1)
input2 = keras.layers.Input(shape=(32,))
x2 = keras.layers.Dense(8, activation='relu')(input2)
# 相当于 concatenated= keras.layers.concatenate([x1, x2])
# 将x1和x2连接起来
concatenated = keras.layers.Concatenate()([x1, x2])
Dot层
1
2
3
4
keras.layers.Dot(
    axes, #整数或者整数元组，一个或者几个进行点积的轴
    normalize=False #是否在点积之前对即将进行点积的轴进行 L2 标准化。 如果设置成 True，那么输出两个样本之间的余弦相似值
)

功能：

计算两个张量之间样本的点积。

输入尺寸：

它接受一个长度为 2 的张量列表， 两个张量必须有相同的尺寸，假设两个张量分别为a和b，则返回一个值为∑（a[i] + b[i]）的张量。

输出尺寸：

（batch_size，1）

例子：

1
2
3
4
5
6
7
input1 = keras.layers.Input(shape=(16,))
x1 = keras.layers.Dense(8, activation='relu')(input1)
input2 = keras.layers.Input(shape=(32,))
x2 = keras.layers.Dense(8, activation='relu')(input2)
# 相当于 doted= keras.layers.dot([x1, x2])
# 将x1和x2做点积并输出
doted = keras.layers.Dot()([x1, x2])

相信大家经过今天的学习，能够对融合层的类型和功能有一个清晰的认知，融合层也是重要的网络层，虽然简单但很重要，它在构造结构复杂的Model类模型中起到了很重要的作用，所以希望各位能亲手实践以对它有更好地认识，大家一起加油！