深度学习入门-框架keras-9keras融合层（Merge）数学计算

Add

keras.layers.Add()

计算一个列表的输入张量的和。
相加层接受一个列表的张量， 所有的张量必须有相同的输入尺寸， 然后返回一个张量（和输入张量尺寸相同）。
例子

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)
added = keras.layers.Add()([x1, x2])  # 相当于 added = keras.layers.add([x1, x2])

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

Subtract

keras.layers.Subtract()

计算两个输入张量的差。
相减层接受一个长度为 2 的张量列表， 两个张量必须有相同的尺寸，然后返回一个值为 (inputs[0] - inputs[1]) 的张量， 输出张量和输入张量尺寸相同。
例子

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)
# 相当于 subtracted = keras.layers.subtract([x1, x2])
subtracted = keras.layers.Subtract()([x1, x2])

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

Multiply

keras.layers.Multiply()

计算一个列表的输入张量的（逐元素间的）乘积。
相乘层接受一个列表的张量， 所有的张量必须有相同的输入尺寸， 然后返回一个张量（和输入张量尺寸相同）。

Average

keras.layers.Average()

计算一个列表的输入张量的平均值。
平均层接受一个列表的张量， 所有的张量必须有相同的输入尺寸， 然后返回一个张量（和输入张量尺寸相同）。

Maximum

keras.layers.Maximum()

计算一个列表的输入张量的（逐元素间的）最大值。
最大层接受一个列表的张量， 所有的张量必须有相同的输入尺寸， 然后返回一个张量（和输入张量尺寸相同）。

Concatenate

keras.layers.Concatenate(axis=-1)

串联一个列表的输入张量。
串联层接受一个列表的张量， 除了串联轴之外，其他的尺寸都必须相同， 然后返回一个由所有输入张量串联起来的输出张量。
参数

• axis: 串联的轴。
• **kwargs: 层关键字参数。

Dot

keras.layers.Dot(axes, normalize=False)

计算两个张量之间样本的点积。
例如，如果作用于输入尺寸为(batch_size, n)的两个张量 a 和 b， 那么输出结果就会是尺寸为(batch_size, 1)的一个张量。 在这个张量中，每一个条目 i 是 a[i] 和 b[i] 之间的点积。

参数
axes: 整数或者整数元组， 一个或者几个进行点积的轴。
normalize: 是否在点积之前对即将进行点积的轴进行 L2 标准化。 如果设置成 True，那么输出两个样本之间的余弦相似值。
**kwargs: 层关键字参数。

add

keras.layers.add(inputs)

Add 层的函数式接口。
参数
inputs: 一个列表的输入张量（列表大小至少为 2）。
**kwargs: 层关键字参数。
返回
一个张量，所有输入张量的和。
例子

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)
added = keras.layers.add([x1, x2])

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

subtract

keras.layers.subtract(inputs)

Subtract 层的函数式接口。
参数
inputs: 一个列表的输入张量（列表大小准确为 2）。
**kwargs: 层的关键字参数。
返回
一个张量，两个输入张量的差。
例子

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)
subtracted = keras.layers.subtract([x1, x2])

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

multiply

keras.layers.multiply(inputs)

Multiply 层的函数式接口。
参数
inputs: 一个列表的输入张量（列表大小至少为 2）。
**kwargs: 层的关键字参数。
返回
一个张量，所有输入张量的逐元素乘积。

average

keras.layers.average(inputs)

Average 层的函数式接口。
参数
inputs: 一个列表的输入张量（列表大小至少为 2）。
**kwargs: 层的关键字参数。
返回
一个张量，所有输入张量的平均值。

maximum

keras.layers.maximum(inputs)
Maximum 层的函数式接口。

参数

inputs: 一个列表的输入张量（列表大小至少为 2）。
**kwargs: 层的关键字参数。
返回

一个张量，所有张量的逐元素的最大值。

concatenate

keras.layers.concatenate(inputs, axis=-1)
Concatenate 层的函数式接口。

参数

inputs: 一个列表的输入张量（列表大小至少为 2）。
axis: 串联的轴。
**kwargs: 层的关键字参数。
返回

一个张量，所有输入张量通过 axis 轴串联起来的输出张量。

dot

keras.layers.dot(inputs, axes, normalize=False)
Dot 层的函数式接口。

参数

inputs: 一个列表的输入张量（列表大小至少为 2）。
axes: 整数或者整数元组， 一个或者几个进行点积的轴。
normalize: 是否在点积之前对即将进行点积的轴进行 L2 标准化。 如果设置成 True，那么输出两个样本之间的余弦相似值。
**kwargs: 层的关键字参数。
返回
一个张量，所有输入张量样本之间的点积。