我想创建一个自定义层，它应该将密集层的输出与Convolution2D层融合 .
想法来自this paper，这是网络：
融合层试图将Convolution2D张量（ 256x28x28 ）与密集张量（ 256 ）融合 . 这是它的等式：
y_global => Dense layer output with shape 256 y_mid => Convolution2D layer output with shape 256x28x28
以下是有关Fusion流程的文章说明：
我最终制作了一个新的自定义图层，如下所示：
class FusionLayer(Layer):
def __init__(self, output_dim, **kwargs):
self.output_dim = output_dim
super(FusionLayer, self).__init__(**kwargs)
def build(self, input_shape):
input_dim = input_shape[1][1]
initial_weight_value = np.random.random((input_dim, self.output_dim))
self.W = K.variable(initial_weight_value)
self.b = K.zeros((input_dim,))
self.trainable_weights = [self.W, self.b]
def call(self, inputs, mask=None):
y_global = inputs[0]
y_mid = inputs[1]
# the code below should be modified
output = K.dot(K.concatenate([y_global, y_mid]), self.W)
output += self.b
return self.activation(output)
def get_output_shape_for(self, input_shape):
assert input_shape and len(input_shape) == 2
return (input_shape[0], self.output_dim)
我认为我得到了 __init__ 和 build 方法，但我不知道如何在 call 层中连接 y_global （256个像素）与 y-mid （256x28x28维度），以便输出与上面提到的等式相同 .
如何在 call 方法中实现此等式？
非常感谢...
更新：成功整合这两层数据的任何其他方式对我来说也是可以接受的......它不一定是文中提到的方式，但它至少需要返回一个可接受的输出......
2 回答
我不得不在Keras Github页面上问这个问题，有人帮我解决了如何正确实现它...这里是issue在github上...
在我看来，实现一种新的层是一种复杂的任务 . 我强烈建议您使用以下图层：
Flatten，
Merge，
Dense，
为了获得预期的行为 .