Tensorflow 在张量流中实现连体网络

我想实现一个连体卷积神经网络，其中两个图像在卷积层中共享权重，然后在通过完全连接的层之前进行连接。我尝试过一个实现，但它似乎是一个“黑客”解决方案。特别是，我将张量上的操作定义为一个简单的Python函数，我不确定是否允许这样做

以下是我尝试过的代码：

images=tf.placeholder（tf.float32，shape=[None，64*64]）
#卷积层
# ...
# ...
#结果是pool3_flat，这是第三个卷积层的平坦输出
pool3_flat=tf.重塑（pool3，[-1,8*8*128]）
#现在，合并图像对，其中每对由批处理中的相邻图像组成，步幅为2
def merge_pairs（）：
#创建一个张量来存储合并的图像对
#批大小为128，因此将有64对（该张量的第一维中有64对）
合并的_pairs=tf.Variable（tf.zero（[64,8*8*128]））
#将图像分成64对
成对=tf.分割（0，64，池3_平坦）
#对于每一对，跨维度1连接两个图像，并在适当的合并对行中设置该张量
对于pair_num，枚举中的pair（pairs）：
合并对=tf.concat（1，对）
合并的\u对[pair\u num]=合并的\u对
返回合并的\u对
#继续对合并的_对张量进行操作，就像批大小为64一样
fc4=tf.matmul（merge_pairs（），权重4）
# ...
# ...

虽然这个编译过程似乎运行良好，但结果并不像预期的那样。因此，我想知道是否有更好的方法使用TensorFlow中的内置操作来实现暹罗网络？

您可以使用和，有点像：

pairs=tf.pack（tf.split（0,64,pool3_平坦））
左，右=tf.unpack（tf.transpose（pairs，perm=[1,0,2]））
合并的_pairs=tf.concat（1，[左，右]）

一种更简洁的方法是从一开始就将两个网络分开，这样就可以定义两个网络，并在每个网络中使用相同的可训练变量

您可能会遇到以下情况（跳过卷积层）：

image\u left=tf.placeholder（tf.float32，shape=[None，64，64，1]）
image\u right=tf.placeholder（tf.float32，shape=[None，64，64，1]）
pool_left=tf.nn.max_pool（image_left，ksize=[1,2,2,1]，strips=[1,2,2,1]，padding='SAME'）
pool_right=tf.nn.max_pool（image_left，ksize=[1,2,2,1]，strips=[1,2,2,1]，padding='SAME'）
池左=tf.重塑（池左，[-1,32*32]）
池平面右=tf.重塑（池右，[-1,32*32]）

然后简单地在尺寸1中的左侧和右侧合并

concat\u layer=tf.concat（1，[pool\u flat\u left，pool\u flat\u right]）

这样，您也可以在以后更改批大小。

---

确保在每个大小（左和右）上使用相同的权重和偏差。

啊，是的，实际上为两个图像显式地编写单独的操作更有意义。这是一个多一点的代码，但使它更易于管理！它是否正确，因为您的图像_左为右池

pool\u right=tf.nn.max\u pool（image\u left，ksize=[1,2,2,1]，strips=[1,2,2,1]，padding='SAME'）