个人技术笔记

Eltwise层与Concat层

发布时间：2021-05-09  栏目：人工智能, 深度学习  评论：0 Comments

Concat层的作用就是将两个及以上的特征图按照在channel或num维度上进行拼接，并没有eltwise层的运算操作，举个例子，如果说是在channel维度上进行拼接conv_9和deconv_9的话，首先除了channel维度可以不一样，其余维度必须一致（也就是num、H、W一致），这时候所做的操作仅仅是conv_9 的channel k1加上deconv_9的channel k2，Concat 层输出的blob可表示为：N*（k1+k2）*H*W。通常情况下，考虑到Concat是希望将同大小的特征图拼接起来，那为什么会产生同大小的特征图呢？显然离不开上采样和下采样的操作.

Eltwise层的操作有三个：product（点乘）， sum（相加减） 和 max（取大值），其中sum是默认操作（注意与concat的区别：要求4个维度的输入必须一样）。 

      1. PROD：按元素乘积 
      2. SUM：按元素求和（默认） 
      3. MAX：保存元素大者

      该层还定义了 coeff 参数，该参数只对SUM操作起作用。

参考：https://blog.csdn.net/qq_23304241/article/details/82414569

留下评论

You must be logged in to post a comment.