Keras中layers.add()与layers.concatenate()的区别

最新推荐文章于 2025-02-25 10:25:23 发布

66Kevin

最新推荐文章于 2025-02-25 10:25:23 发布

阅读量1w

点赞数 18

分类专栏： Keras 文章标签： tensorflow keras add concatenate

本文链接：https://blog.csdn.net/weixin_44551646/article/details/112965854

版权

Keras 专栏收录该内容

5 篇文章

订阅专栏

本文详细介绍了 TensorFlow 中的 `tf.keras.layers.add()` 和 `tf.keras.layers.concatenate()` 两种层操作。`add()` 层实现了输入张量对应元素的相加，保持了原有的高度（H）、宽度（W）和通道数（C）不变。而 `concatenate()` 层则将多个输入张量沿着指定轴拼接，通道数增加，H和W保持不变。通过实例展示了不同轴上的拼接效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一. tf.keras.layers.add()

只进行相应元素的相加，H,W,C都不改变

例子：

from keras.models import Model
from keras.layers import Dense,add,Input
from keras.layers.merge import concatenate
from keras.utils.vis_utils import plot_model

input1 = Input(shape=(16,))
x1 = Dense(8, activation='relu')(input1)
input2 = Input(shape=(32,))
x2 = Dense(8, activation='relu')(input2)
added = add([x1, x2])
 
out = Dense(4)(added)
model = Model(inputs=[input1, input2], outputs=out)

 
# write model image
plot_model(model, show_shapes=True, show_layer_names=False)

在这里插入图片描述
我们可以看到Add层的output，与input的维度相同，因此只进行了数值的相加。

二. tf.keras.layers.concatenate（）

拼接，H 、 W 不改变，但是通道数增加

在TensorFlow函数中，axis输入参数的取值范围是[-rank(input_tensor), rank(input_tensor))

import numpy as np
import tensorflow as tf

t1 = tf.Variable(np.array([[[1, 2], [2, 3]], [[4, 4], [5, 3]]]))
t2 = tf.Variable(np.array([[[7, 4], [8, 4]], [[2, 10], [15, 11]]]))

d0 = tf.keras.layers.concatenate([t1, t2], axis=0)
d1 = tf.keras.layers.concatenate([t1, t2], axis=1)
d2 = tf.keras.layers.concatenate([t1, t2], axis=2)
d3 = tf.keras.layers.concatenate([t1, t2], axis=-1)

print(d0)
print(d1)
print(d2)
print(d3)

输出：

由该例子可以看出，axis=

tf.Tensor(
[[[ 1  2]
  [ 2  3]]

 [[ 4  4]
  [ 5  3]]

 [[ 7  4]
  [ 8  4]]

 [[ 2 10]
  [15 11]]], shape=(4, 2, 2), dtype=int32)
tf.Tensor(
[[[ 1  2]
  [ 2  3]
  [ 7  4]
  [ 8  4]]

 [[ 4  4]
  [ 5  3]
  [ 2 10]
  [15 11]]], shape=(2, 4, 2), dtype=int32)
tf.Tensor(
[[[ 1  2  7  4]
  [ 2  3  8  4]]

 [[ 4  4  2 10]
  [ 5  3 15 11]]], shape=(2, 2, 4), dtype=int32)
tf.Tensor(
[[[ 1  2  7  4]
  [ 2  3  8  4]]

 [[ 4  4  2 10]
  [ 5  3 15 11]]], shape=(2, 2, 4), dtype=int32)

Process finished with exit code 0