在 Keras 中添加 vs 连接层

Question

我正在研究一些不同的神经网络架构，并尝试拼凑如何自己重新创建它们。

我遇到的一个问题是 Keras 中 Concatenate() 和 Add() 层之间的功能差异。看起来他们完成了类似的事情（将多个层组合在一起），但我不太明白两者之间的真正区别。

这是一个示例 keras 模型，它接受两个单独的输入，然后将它们组合起来：

inputs1 = Input(shape = (32, 32, 3))
inputs2 = Input(shape = (32, 32, 3))
x1      = Conv2D(kernel_size = 24, strides = 1, filters = 64, padding = "same")(inputs1)
x1      = BatchNormalization()(x1)
x1      = ReLU()(x1)
x1      = Conv2D(kernel_size = 24, strides = 1, filters = 64, padding = "same")(x1)

x2      = Conv2D(kernel_size = 24, strides = 1, filters = 64, padding = "same")(inputs2)
x2      = BatchNormalization()(x2)
x2      = ReLU()(x2)
x2      = Conv2D(kernel_size = 24, strides = 1, filters = 64, padding = "same")(x2)
add     = Concatenate()([x1, x2])
out     = Flatten()(add)
out     = Dense(24, activation = 'softmax')(out)
out     = Dense(10, activation = 'softmax')(out)
out     = Flatten()(out)
mod     = Model([inputs1, inputs2], out)

我可以用Concatenate() 层替换Add() 层，一切正常，模型似乎相似，但我很难理解其中的区别。

供参考，下面是每个使用keras的plot_model函数的图：

带有附加层的 KERAS 模型：

具有级联层的 KERAS 模型：

我注意到当你连接你的模型大小比添加层时更大。是否是串联的情况，您只需将前一层的权重堆叠在一起，然后使用Add() 将这些值加在一起？

看起来应该更复杂，但我不确定。

Answer 1

正如您所说，它们都结合了输入，但它们结合的方式不同。 他们的名字已经暗示了他们的用法

Add() 输入相加，
例如（假设 batch_size=1）

x1 = [[0, 1, 2]]
x2 = [[3, 4, 5]]
x = Add()([x1, x2])

那么 x 应该是 [[3, 5, 7]]，其中添加了每个元素
注意输入shape是(1, 3)和(1, 3)，输出也是(1, 3)

Concatenate() 连接输出，
例如（假设 batch_size=1）

x1 = [[0, 1, 2]]
x2 = [[3, 4, 5]]
x = Concatenate()([x1, x2])

那么 x 应该是 [[0, 1, 2, 3, 4, 5]]，其中输入水平堆叠在一起，
注意输入shape是(1, 3)和(1, 3)，输出也是(1, 6)，

即使张量有更多维度，类似的行为仍然适用。

出于一个明显的原因，Concatenate 创建了一个更大的模型，输出大小只是所有输入总和的大小，而 add 与其中一个输入具有相同的大小

---

有关添加/连接以及组合多个输入的其他方式的更多信息，请参阅this