Deep learning 在keras中实施联合学习

我试图实现一个由两层组成的模型，以分割keras中的候选对象 所以基本上这个模型有以下架构

图像（通道、宽度、高度）->多个卷积和池层->输出（'n'个特征映射，高度-宽度）

现在这个单一输出被两层使用 具体内容如下： 1） 卷积（1*1）->具有m个单位的密集层（输出=n*1*1）->使用h*w维度的完全连接层的像素分类器->向上映射到（h，n）->输出

2） 卷积->最大池->密集层->分数

成本函数使用这两个层次的产出，即每个产出的二元逻辑回归之和

现在我有两个问题 1） 如何在第1层的卷积输出上实现密集连接，以产生如上所述的h*w像素分类器 2） 如何合并两个层以计算单个成本函数，然后使用反向传播联合训练两个层

有人能告诉我如何为上述网络架构创建模型吗？我对深度学习还不熟悉，因此如果有什么我误解了的地方，如果有人能解释我理解中的错误，我将不胜感激

---

谢谢

当你分享你已经拥有的代码时会更容易

要将卷积转换为稠密，必须使用

model.add（flatte（））

，如中所示

---

不幸的是，我不知道第二个问题，但根据我刚刚在Keras模型中读到的内容，您必须使用图形模型。

我尝试实现的模型与下文中提到的模型类似，该模型使用交替反向传播基于联合二元逻辑成本函数对两层进行训练，在论文中提到的两个层之间-（arxiv.org/pdf/1506.06204）似乎必须使用图形模型。是的，我刚刚通过并实现了相同的模型，但我被困在必须在每个层中应用交替反向传播的部分，你能指导我这到底意味着什么吗？对不起，我不太清楚：-（感谢您的努力…：）我尝试实现的模型与下面的文章中提到的模型类似，它基于联合二元物流成本函数在两层之间使用交替反向传播来训练两层，如论文中提到的-（arxiv.org/pdf/1506.06204）。keras中是否有任何模型的实现接近于此模型。？