在角豆中使用点积

Question

我经历了一些与点积相关的堆栈溢出答案，但找不到我的问题的答案。

我正在创建一个具有两个并行CNN的模型，它们得到不同的输入。我正在使用带有1个卷积层的简单CNN。特征提取后，我正在使用GolabalMaxPooling1D层。在每一侧，输出的形状均为(None, 256)。

从两个合并层获得的结果使用点合并。当我实现点时，它会输出(None, 1)。

我使用了点，以便合并两个模型中的要素时，具有最大值的要素得到增强，而具有最小值的要素被减小。

有没有一种方法可以在模型中使用点并将输出形状作为(None, 256)？

以下是我建立模型的方式

# input 1

input1= layers.Input(shape=(600,), dtype='int32', name='model1')

embeded_sequence1 = layers.Embedding(10000, 32) (input1)

conv_layer1 = layers.Conv1D(NO_OF_CONV_FILTERS,NO_OF_CONV_SIZE)(embeded_sequence1 )

activ_layer1 = layers.Activation('relu')(conv_layer1 )

global_max_pool1 = layers.GlobalMaxPooling1D()(activ_layer1 )


# input 2 

input2 = layers.Input(shape=(600,), dtype='int32', name='model2')

embeded_sequence2 = layers.Embedding(10000, 32)(input2 )

conv_layer2 = layers.Conv1D(NO_OF_CONV_FILTERS,NO_OF_CONV_SIZE)(embeded_sequence2 )

activ_layer2 = layers.Activation('relu')(conv_layer2 )

global_max_pool2 = layers.GlobalMaxPooling1D()(activ_layer2 )


# perform fuse classification

dot_product = dot(inputs=[global_max_pool1, global_max_pool2], axes=1, normalize=False)

fc_layer_fuse = layers.Dense(256)(dot_product)

Answer 1

因此，根据定义，两个向量a和b之间的点积是标量：

实际上也称为标量积。因此，没有，您不可能使用两个向量的点积获得长度为256的向量。

[如果您要合并拉动层的两个结果向量，可以应用逐元素乘积（请参见multiplication），也可以取它们的平均值。