Tensorflow 在tf.keras.Sequential（）中添加（）函数

当定义如下时，是否可以在tf.keras.Sequential（）模型中合并Add（）函数：

from tensorflow import keras

model = keras.Sequential([
    keras.Input(shape(input_shape,)),
    keras.layers.Dense(32),
    keras.layers.Dense(8),
    # I want to add here
    keras.layers.Add()(some_var)
], name='my_model')

some_var

是一个张量，与该点的网络大小相同。因此，每个元素都需要添加到

some\u var

中对应的元素中

我知道我可以用函数式API很容易地做到这一点，但我更喜欢使用顺序模型，因为它可以匹配我网络中的其他分支

如果它不清楚，

keras.layers.Add（）（一些变量）

只是我希望它如何工作的猜测。这会产生错误：

ValueError:应该在输入列表上调用合并层。

---

我的问题具体到我定义顺序模型的风格。

功能性和顺序性API之间的主要区别之一是，

顺序性

使用单输入和单输出，而as

功能性

API使用单输入和单输出或单输入和单输出多输出，或多输入多输出。因此，使用

Functional

API，您可以通过`keras.layers.add（）添加两层多输入

另外，这个

keras.layers.Add（）

可以用于添加两个输入张量，这实际上不是我们所做的。我们可以使用like d=tf.add（a，b）。

c

和

d

都相等

a = tf.constant(1.,dtype=tf.float32, shape=(1,3)).  
b = tf.constant(2.,dtype=tf.float32, shape=(1,3)). 
c = tf.keras.layers.Add()([a, b]). 

以下示例来自keras网站。您可以看到它是如何在

Functional

API中使用的

import keras

input1 = keras.layers.Input(shape=(16,))
x1 = keras.layers.Dense(8, activation='relu')(input1)
input2 = keras.layers.Input(shape=(32,))
x2 = keras.layers.Dense(8, activation='relu')(input2)
# equivalent to added = keras.layers.add([x1, x2])
added = keras.layers.Add()([x1, x2])

out = keras.layers.Dense(4)(added)
model = keras.models.Model(inputs=[input1, input2], outputs=out)

感谢@today comment（然后是一个删除的答案？！），我使用

tf.keras.layer.Lambda

函数解决了这个问题

model = keras.Sequential([
    keras.Input(shape(input_shape,)),
    keras.layers.Dense(32),
    keras.layers.Dense(8),
    keras.layers.Lambda(lambda x : x + some_var)
], name='my_model')

---

这是不可能的，因为根据定义，顺序模型是一个模型，其中每个层直接连接到前一层；然而，

Add

是一个对多个输入张量进行操作的合并层。但是，如果

some_var

是一个外部常量/变量，您可以使用

Lambda

层和顺序API进行加法。是的，在顺序模型上使用Add没有意义。谢谢，这样做了。谢谢您的回复。我知道我可以很容易地用函数式API来实现。我的问题是，是否可以在顺序API中执行此操作。同意，您可以使用

Lambda

层添加

op

作为层。出于某种原因，我认为你的问题是关于添加层的。