Python Keras连接层：不同类型连接函数之间的差异

我最近刚开始玩Keras，开始制作自定义图层。但是，我对许多不同类型的层感到相当困惑，这些层的名称略有不同，但功能相同

例如，和中有3种不同形式的连接函数

我知道第二个用于函数API，但这三个之间有什么区别？文件似乎对此有点不清楚

另外，对于第三个，我在下面看到了一个这样做的代码。为什么在连接之后一定要有线条

# Concatenate the summed atom and bond features
atoms_bonds_features = K.concatenate([atoms, summed_bond_features], axis=-1)

# Compute fingerprint
atoms_bonds_features._keras_shape = (None, max_atoms, num_atom_features + num_bond_features)

---

最后，在keras.layers下，似乎总是有2个重复项。例如，Add（）和Add（），等等。

Keras历史上为其层支持两个不同的接口，新的功能接口和旧的接口，这需要调用

model.Add（）

，因此有两个不同的函数

---

对于TF——它们的

concatenate（）

函数并没有完成Keras工作所需的一切，因此，额外的调用使

\u Keras\u shape

变量正确，并且不会打乱期望该变量具有某个特定值的Keras。

首先，后端：

TF.Keras.backend.concatenate（）

后端函数应该在“内部”层中使用。您只能在

Lambda

层、自定义层、自定义损耗函数、自定义度量等中使用此选项

它直接作用于“张量”

如果您不深入定制，这不是您的选择。（在您的示例代码中，这是一个错误的选择——请参阅最后的详细信息）

如果深入研究keras代码，您会注意到，

连接层在内部使用此函数：

import keras.backend as K
class Concatenate(_Merge):  
    #blablabla   
    def _merge_function(self, inputs):
        return K.concatenate(inputs, axis=self.axis)
    #blablabla


然后，层

：

keras.layers.Concatenate（axis=-1）

与任何其他keras层一样，实例化并在张量上调用

非常严格：

#in a functional API model:
inputTensor1 = Input(shape) #or some tensor coming out of any other layer   
inputTensor2 = Input(shape2) #or some tensor coming out of any other layer

#first parentheses are creating an instance of the layer
#second parentheses are "calling" the layer on the input tensors
outputTensor = keras.layers.Concatenate(axis=someAxis)([inputTensor1, inputTensor2])

这不适用于顺序模型，除非前一层输出列表（这是可能的，但并不常见）

---

最后，层模块中的连接函数：

keras.layers.concatenate（输入，轴=-1）

这不是一个层。这是一个函数，它将返回内部

连接层产生的张量

atoms_bonds_features = Concatenate(axis=-1)([atoms, summed_bond_features])   
#just this line is perfect

代码很简单：

def concatenate(inputs, axis=-1, **kwargs):
   #blablabla
   return Concatenate(axis=axis, **kwargs)(inputs)


旧函数
在keras1中，人们的功能是接收“层”作为输入并返回输出“层”。他们的名字与
merge
word有关

但由于Keras2没有提到或记录这些，我可能会避免使用它们，如果发现旧代码，我可能会将其更新为正确的Keras2代码


为什么是
\u keras\u形状
字？
这个后端函数不应该在高级代码中使用。编码器应该使用
连接层

atoms_bonds_features = Concatenate(axis=-1)([atoms, summed_bond_features])   
#just this line is perfect

Keras层将
\u Keras\u shape
属性添加到其所有输出张量，Keras使用此属性推断整个模型的形状

如果在层或损耗/度量之外使用任何后端函数，则输出张量将缺少此属性，并且会出现一个错误，告知
\u keras\u shape
不存在

编码器通过手动添加属性创建了一个糟糕的解决方法，而该属性本应由适当的keras层添加。（这现在可以工作了，但是在keras更新的情况下，此代码将中断，而正确的代码将保持正常）
Wow，感谢您的详细解释！如果小写连接不是一个层，只是一个调用大写连接的函数，那么为什么还要使用小写连接选项呢？好问题。。。。我认为这是出于历史原因，也许是为了给那些使用Keras 1的人创造一个更好的过渡？或者可能是因为只使用
顺序
模型的人不习惯“实例化并调用”标准？