Machine learning 深度学习中的堆叠与非堆叠架构

在整个Keras或深度学习中，堆叠架构和非堆叠架构之间的区别是什么？有人能简单说明非堆叠架构吗

---

有相当多的示例和教程显示了如何在keras中堆叠层，但实际上没有关于堆叠的相反内容

根据定义，深层神经网络是神经网络的堆栈，通常称为层。你可以把它看作是一系列的操作；流程图。例如，在目标检测网络中，一系列称为特征金字塔的卷积层用于从图像中提取区域特征。但是，与流程图一样，您可以创建分支，并按照自己的喜好移动数据。考虑下面的代码片段：

只是一堆

input_layer = InputLayer(input_shape=(256,256,3))
x = Dense(666)(input_layer)
x = Dense(666)(x)
output_layer = Dense(1, activation='softmax')(x)

更有趣的事

input_layer = Inputlayer(input_shape=(256,256,3))
x = Dense(666)(input_layer)

x_left = Dense(666)(x) # gets inputs from x
x_left = Dense(666)(x_left)

x_right = Dense(666)(x)
x_right = Dense(666)(x_right)

x = concatenate([x_left,x_right],axis=-1)

x = Dense(666)(x)
output_layer = Dense(1,activation='softmax')(x)

这回答了你的问题吗

此外，这个图形可能会有所帮助；这是我在谷歌上发现的金字塔网络布局的一个基本特征，它很好地描述了：