两个并行的 conv2d 层（keras）答案

【问题标题】：Two parallel conv2d layers (keras)两个并行的 conv2d 层（keras）
【发布时间】：2019-01-03 21:03:10
【问题描述】：

我想要两个构建一个神经网络，该网络将两个具有相同维度的独立矩阵（例如灰度图像）作为输入，并输出一个介于 -1 和 1 之间的值（可能是 tanh）。

我想构建网络，以便有两个单独的卷积层作为输入。每一个都需要一个矩阵（或图像）。然后将这些组合在下一层中。所以我希望它看起来像这样：

我的第一个问题是我可以在 keras 中执行此操作（或者如果不是在 tensorflow 中）？第二个问题是？是否有意义？因为我也可以很容易地将这两个矩阵组合在一起，并且只使用一个 conv2d 层。所以是这样的：

我真正想做的事情太过分了。但是你能想象第一个版本更有意义的情况吗？

【问题讨论】：

标签： tensorflow keras conv-neural-network

【解决方案1】：

如果输入不同，您可以在 Keras 中执行此操作并且是有意义的。要在 keras 中这样做，首先需要一个多输入模型，并且必须将卷积层的输出连接在一起。

input_1= Input(shape=(x,y), name='input_1')
input_2= Input(shape=(x,y), name='input_1')
c1 = Conv2D(filter_size, kernel_size))(input_1)
p1 = MaxPooling2D(pool_size=(2, 2)(input_1)
f1 = Flatten()(p1)
c2 = Conv2D(filter_size, kernel_size))(input_2)
p2 = MaxPooling2D(pool_size=(2, 2)(c2)
f2 = Flatten()(p2)

x = concatenate([f1, f2])
x = Dense(num_classes, activation='sigmoid')(x)

model = Model(inputs=[input_1, input_2], outputs=[x])
model.compile('adam', 'binary_crossentropy', metrics=['accuracy'])

根据您的数据，也可以共享卷积层，因此您只需定义一次 dem 并重用它们。在这种情况下，权重是共享的。

conv = Conv2D(filter_size, kernel_size))
pooling = MaxPooling2D(pool_size=(2, 2)
flatten = Flatten()

f1 = flatten(pooling(conv(input_1)))
f2 = flatten(pooling(conv(input_2)))

【讨论】：