keras.layers.concatenate做什么

Question

我遇到了the following code，想知道在这种情况下keras.layers.concatenate到底能做什么。

最佳猜想：

1. 在fire_module()中，y基于每个像素学习[kernel_size=1）
2. [y1基于activation map（y）的kernel_size=1的每个像素学习”>
3. [y3基于activation map（y）kernel_size=3的3x3像素的面积进行学习>
4. [concatenate将y1和y3放在一起，这意味着总filters现在是y1和y3]中过滤器的总和。>
5. 此串联是基于每个像素的学习，基于3x3的学习的平均值，均基于先前基于每个像素的激活图，从而使模型更好？

非常感谢您的帮助。

def fire(x, squeeze, expand):
    y  = Conv2D(filters=squeeze, kernel_size=1, activation='relu', padding='same')(x)
    y  = BatchNormalization(momentum=bnmomemtum)(y)
    y1 = Conv2D(filters=expand//2, kernel_size=1, activation='relu', padding='same')(y)
    y1 = BatchNormalization(momentum=bnmomemtum)(y1)
    y3 = Conv2D(filters=expand//2, kernel_size=3, activation='relu', padding='same')(y)
    y3 = BatchNormalization(momentum=bnmomemtum)(y3)
    return concatenate([y1, y3])

def fire_module(squeeze, expand):
    return lambda x: fire(x, squeeze, expand)
x = Input(shape=[144, 144, 3])
y = BatchNormalization(center=True, scale=False)(x)
y = Activation('relu')(y)
y = Conv2D(kernel_size=5, filters=16, padding='same', use_bias=True, activation='relu')(x)
y = BatchNormalization(momentum=bnmomemtum)(y)

y = fire_module(16, 32)(y)
y = MaxPooling2D(pool_size=2)(y)

---

编辑：

更具体一点，为什么不这样做：

# why not this?
def fire(x, squeeze, expand):
    y  = Conv2D(filters=squeeze, kernel_size=1, activation='relu', padding='same')(x)
    y  = BatchNormalization(momentum=bnmomemtum)(y)
    y = Conv2D(filters=expand//2, kernel_size=1, activation='relu', padding='same')(y)
    y = BatchNormalization(momentum=bnmomemtum)(y)
    y = Conv2D(filters=expand//2, kernel_size=3, activation='relu', padding='same')(y)
    y = BatchNormalization(momentum=bnmomemtum)(y)
    return y
我遇到了以下代码，并想知道keras.layers.concatenate在这种情况下到底能做什么。最佳猜测：在fire_module（）中，y基于每个像素学习（kernel_size = 1）y1学习...

我从stack question引用串联时引用了@parsethis，如果a连接到b（结果结合在一起），这就是这样做的：

    a        b         c
a b c   g h i    a b c g h i
d e f   j k l    d e f j k l
[The documentation说它只是返回一个张量，其中包含所有输入的串联，只要它们共享一个维（即，相同的长度或witdh，取决于轴）]

您的情况似乎是这样：

Y 
 \
  Y1----
   \    |
    Y3  Y1

我希望我足够清楚

Answer 1

我从stack question引用串联时引用了@parsethis，如果a连接到b（结果结合在一起），这就是这样做的：