卷积神经网络中的add和concatnate区别

最新推荐文章于 2024-07-11 19:27:00 发布

孟同学

最新推荐文章于 2024-07-11 19:27:00 发布

阅读量5.4k

点赞数 4

分类专栏： deep Learning

本文链接：https://blog.csdn.net/weixin_39610043/article/details/87103358

版权

deep Learning 专栏收录该内容

34 篇文章 0 订阅

订阅专栏

使用

DenseNet和Inception中更多采用的是concatenate操作，而ResNet更多采用的add操作。
concatenate为横向或纵向空间上的叠加，而add为简单的像素叠加。

add

使用keras中源码容易看到，是像素的叠加

def _merge_function(self, inputs):
    output = inputs[0]
    for i in range(1, len(inputs)):
        output += inputs[i]
    return output

cancatnate

t1 = [[1, 2, 3], [4, 5, 6]]
t2 = [[7, 8, 9], [10, 11, 12]]
tf.concat([t1, t2], 0) ==> [[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]
tf.concat([t1, t2], 1) ==> [[1, 2, 3, 7, 8, 9], [4, 5, 6, 10, 11, 12]]

# tensor t3 with shape [2, 3]
# tensor t4 with shape [2, 3]
tf.shape(tf.concat([t3, t4], 0)) ==> [4, 3]
tf.shape(tf.concat([t3, t4], 1)) ==> [2, 6]
--------------------- 
作者：KUNLI7 
来源：CSDN 
原文：https://blog.csdn.net/u012193416/article/details/79479935 
版权声明：本文为博主原创文章，转载请附上博文链接！