用tensorflow实现神经网络中的超列

我试图在我的神经网络模型中加入这个想法。如何使用tensorflow实现这一点？

下面是一个基本示例

定义layer1、layer2、layer3等。然后在下面对它们进行合并，现在您就有了超列

conv1 = tf.nn.conv2d(image, weights, [1, 1, 1, 1], 'SAME')
layer1 = tf.image.resize_bilinear(conv1, (224, 224))
...
layer2 = tf.image.resize_bilinear(conv2, (224, 224))
...
layer3 = tf.image.resize_bilinear(conv3, (224, 224))
return(tf.concat(0, [layer1, layer2,layer3]))

---

谢谢@Steven！还有，我有没有办法执行普通卷积，并保留最后一层卷积像素/值的超列？例如，如果输入是244x244，卷积的最终输出是7x7，那么只需将每个前一层的7x7值保持相等的间隔，然后将它们连接起来？我可能需要你更具体地说明你想要做什么。因此，超列的概念比输入图像大小甚至列的大小更为普遍。例如：假设输入大小如您所说的244x244x3（3个颜色通道），第一层变为一半，因此122x122x16下一层（和最后一层）为7x7x65。现在最简单的方法是执行tf.image.resize_双线性（layer1，（224224，224））和第二层相同的操作，但不需要这样做。你也可以线性化这两个层，并以这种方式连接它们（但是这样会丢失空间信息）。你也可以看看tensorflow中的去冷却（听起来像你想要的），尽管目前仍在开发中。你可以在这里看谢谢你的指导。我不希望像超专栏文章那样进行精确的（像素级）分割。我想看看，不是在输入层为每个像素保留超列，而是在最后一层为每个像素保留超列，如果这样做，精度和速度之间的权衡是什么，由于输入图像大小的超列张量很大，并且需要相对较多的计算时间。如果只保留层n-1和层n的先前表示，则确实可以提高精度，但需要更多的计算和空间。准确度很难衡量，因为这是特定于任务的（因此在某些情况下，您可能根本不需要进行实验来提高）。计算时间非常容易，因为你可以计算一个深度为n和n+1的卷积所需的时间，空间也很容易计算，因为你可以乘以float（或double）*（大小层n+层n+1）。