在卷积和池化层之后将输入添加到卷积神经网络

【问题标题】：Adding inputs to a convolutional neural network after convolution and pooling layers在卷积和池化层之后将输入添加到卷积神经网络
【发布时间】：2019-09-06 11:03:23
【问题描述】：

我正在构建一个卷积神经网络，该网络将包含一定数量的卷积和池化层。问题是我想在特征提取步骤（卷积+池化）之后添加一些额外的输入。

这个额外的输入将被添加到展平的特征图（全连接层的第一层）。我想问是否有任何文档可以在 tensorflow 中或（如果我幸运的话）在 keras 中实现这一点。提前感谢您，祝您有美好的一天。

【问题讨论】：

标签： tensorflow keras conv-neural-network

【解决方案1】：

您可以使用tf.keras.models.Model 类创建这样的模型。

首先，我们可以为卷积层和池化层构建tf.keras.models.Sequential 模型。

conv_model = tf.keras.models.Sequential( [ ... ] )

那么正如你所说，我们需要一个全连接的 Dense 网络。我们像上面的模型一样创建它。

fc_model = tf.keras.models.Sequential( [ ... ] )

然后将Input 层与我们创建的模型组装在一起。

input1 = Input( ... )
input2 = Input( ... )

cnn_output = conv_model( input1 )
output = fc_model( [ cnn_output , input2 ] )

model = tf.keras.models.Model( [ input1 , input2 ] , output )

【讨论】：

非常感谢@Shubham Panchal，你让我很开心
Keras 具有这种特殊能力，它可以在输入层甚至其他顺序模型上调用顺序模型。 :-)