我正在尝试实现一个由两层组成的模型来分割keras中的候选对象所以基本上这个模型具有以下架构
图像（通道，宽度，高度） - >多个卷积和合并图层 - >输出（'n'特征贴图，高度宽度）
现在这个 single output 被两层使用，如下所示：1）卷积（1 * 1） - >具有m个单位的密集层（输出= n * 1 * 1） - >像素分类器，使用完全连接的h * w dimesion层 - >上映到（H，N） - >输出
2）卷积 - > maxpooling->密集层 - >得分
成本函数使用这两个层的输出，这是每个输出的二元逻辑回归的总和
现在我有两个问题：1）如何在第1层实现密集输出的密集连接以产生如上所述的h * w像素分类器2）如何合并这两个层来计算单个成本函数，然后使用联合训练两个层反向传播
任何人都可以告诉我如何为上述网络架构创建模型 . 我是深度学习的新手所以如果有什么我误解的话我会很感激，如果有人能解释我的理解中的错误谢谢
1 回答
当您共享已有的代码时，它会更容易 .
对于过渡卷积到密集，你必须使用
model.add(Flatten())，就像在examples here中一样 .不幸的是，我不知道第二个问题，但根据我刚才在Keras模型中读到的内容，你必须使用图模型 .