tensorflow2.0实现复杂神经网络（多输入多输出nn，Resnet）

最新推荐文章于 2025-06-25 12:52:57 发布

zhong_ddbb

最新推荐文章于 2025-06-25 12:52:57 发布

阅读量1w

点赞数 7

CC 4.0 BY-SA版权

分类专栏：深度学习 tensorflow2.0 文章标签：深度学习 tensorflow 残差神经网络多输入输出神经网络

本文链接：https://blog.csdn.net/zhong_ddbb/article/details/108912753

常见的‘融合’操作

复杂神经网络模型的实现离不开"融合"操作。常见融合操作如下：

（1）求和，求差

# 求和
layers.Add(inputs)
# 求差
layers.Subtract(inputs)

inputs: 一个输入张量的列表（列表大小至少为 2）,列表的shape必须一样才能进行求和(求差)操作。

例子：

input1 = keras.layers.Input(shape=(16,))
x1 = keras.layers.Dense(8, activation='relu')(input1)
input2 = keras.layers.Input(shape=(32,))
x2 = keras.layers.Dense(8, activation='relu')(input2)
added = keras.layers.add([x1, x2])

out = keras.layers.Dense(4)(added)
model = keras.models.Model(inputs=[input1, input2], outputs=out)

（2）乘法

# 输入张量的逐元素乘积(对应位置元素相乘，输入维度必须相同)
layers.multiply(inputs)
# 输入张量样本之间的点积
layers.dot(inputs, axes, normalize=False)

dot即矩阵乘法，例子1：

x = np.arange(10).reshape(1, 5, 2)

y = np.arange(10, 20).reshape(1, 2, 5)

# 三维的输入做dot通常像这样指定axes,表示矩阵的第一维度和第二维度参与矩阵乘法，第0维度是batchsize
tf.keras.layers.Dot(axes=(1, 2))([x, y])
# 输出如下：
<tf.Tensor: shape=(1, 2, 2), dtype=int64, numpy=
array([[[260, 360],
        [320, 445]]])>

例子2：

x1 = tf.keras.layers.Dense(8)(np.arange(10)<

最低0.47元/天解锁文章

新学期VIP享超值加赠