keras.layers.concatenate做什么

我偶然发现，想知道在这种情况下，

keras.layers.concatenate

到底做了什么

最佳猜测：

在

fire_module（）

中，

y

基于每个像素进行学习（

kernel_size=1

）

y1

基于

y

（

kernel\u size=1

）的

激活映射的每个像素进行学习

y3

基于

y

的

activation map

的3x3像素区域进行学习（

kernel\u size=3

）

concatenate

将

y1

和

y3

放在一起，这意味着总计

过滤器

现在是

y1

和

y3

中过滤器的总和

这种连接是基于每个像素的学习的平均值，基于3x3的学习，两者都基于之前基于每个像素的激活图，使模型更好

非常感谢您的帮助

def fire(x, squeeze, expand):
    y  = Conv2D(filters=squeeze, kernel_size=1, activation='relu', padding='same')(x)
    y  = BatchNormalization(momentum=bnmomemtum)(y)
    y1 = Conv2D(filters=expand//2, kernel_size=1, activation='relu', padding='same')(y)
    y1 = BatchNormalization(momentum=bnmomemtum)(y1)
    y3 = Conv2D(filters=expand//2, kernel_size=3, activation='relu', padding='same')(y)
    y3 = BatchNormalization(momentum=bnmomemtum)(y3)
    return concatenate([y1, y3])

def fire_module(squeeze, expand):
    return lambda x: fire(x, squeeze, expand)

---

编辑：

更具体地说，为什么不这样做：

# why not this?
def fire(x, squeeze, expand):
    y  = Conv2D(filters=squeeze, kernel_size=1, activation='relu', padding='same')(x)
    y  = BatchNormalization(momentum=bnmomemtum)(y)
    y = Conv2D(filters=expand//2, kernel_size=1, activation='relu', padding='same')(y)
    y = BatchNormalization(momentum=bnmomemtum)(y)
    y = Conv2D(filters=expand//2, kernel_size=3, activation='relu', padding='same')(y)
    y = BatchNormalization(momentum=bnmomemtum)(y)
    return y

---

---

当他解释连接时，我引用了@parsethis，这是如果a连接到b（结果连接在一起）时的结果：

表示它只返回一个包含所有输入串联的张量，前提是它们共享一个维度（即相同的长度或witdh，取决于轴）

你的情况是这样的：

Y 
 \
  Y1----
   \    |
    Y3  Y1

---

我希望我足够清楚

当他解释连接时，我引用了@parsethis，如果a连接到b（结果连接在一起）：

表示它只返回一个包含所有输入串联的张量，前提是它们共享一个维度（即相同的长度或witdh，取决于轴）

你的情况是这样的：

Y 
 \
  Y1----
   \    |
    Y3  Y1

---

我希望我说得够清楚了

谢谢你的解释。顺便问一下，在我的例子中，不是发生了这样的事情吗：y的y1和y3分支，然后按照您的描述连接起来，并返回到y？老实说，我认为发生了这样的事情。Y1从Y分支，Y3从Y1分支，然后Y1的输出（也是Y3的输入）附加到Y3的输出。如果愿意的话，可以跳过一些连接。据我所知，这有助于模型记住Y1中发生的事情，以防它变得太深，在Y3之后忘记。我想我看到了混乱。让我试着这样解释。Y=点火模块（）（Y）。在fire（）内部，y从y学习，y1从y分支，y3从y分支，y3被附加到y1，这个附加层进入y。因此，每次调用fire_模块时，层逐点学习一次（y），学习逐点（y1）和3区域（y3）的平均值被添加到第一个逐点学习（y）中。感谢您的解释。顺便问一下，在我的例子中，不是发生了这样的事情吗：y的y1和y3分支，然后按照您的描述连接起来，并返回到y？老实说，我认为发生了这样的事情。Y1从Y分支，Y3从Y1分支，然后Y1的输出（也是Y3的输入）附加到Y3的输出。如果愿意的话，可以跳过一些连接。据我所知，这有助于模型记住Y1中发生的事情，以防它变得太深，在Y3之后忘记。我想我看到了混乱。让我试着这样解释。Y=点火模块（）（Y）。在fire（）内部，y从y学习，y1从y分支，y3从y分支，y3被附加到y1，这个附加层进入y。因此，每次调用fire_模块时，层逐点学习一次（y），学习逐点（y1）和3区域（y3）的平均值被添加到第一个逐点学习（y）中。

Y 
 \
  Y1----
   \    |
    Y3  Y1