keras.layers.concatenate 有什么作用

Question

我遇到了the following code，想知道keras.layers.concatenate 在这种情况下到底做了什么。

最佳猜测：

1. 在fire_module()中，y基于每个像素进行学习(kernel_size=1)
2. y1 基于y(kernel_size=1) 的activation map 的每个像素进行学习
3. y3 基于activation map 的y(kernel_size=3) 的 3x3 像素区域进行学习
4. concatenate 将y1 和y3 放在一起，这意味着总filters 现在是y1 和y3 中过滤器的总和
5. 这种连接是基于每个像素的学习、基于 3x3 的学习的平均值，两者都基于基于每个像素的先前激活图，从而使模型更好？

非常感谢任何帮助。

def fire(x, squeeze, expand):
    y  = Conv2D(filters=squeeze, kernel_size=1, activation='relu', padding='same')(x)
    y  = BatchNormalization(momentum=bnmomemtum)(y)
    y1 = Conv2D(filters=expand//2, kernel_size=1, activation='relu', padding='same')(y)
    y1 = BatchNormalization(momentum=bnmomemtum)(y1)
    y3 = Conv2D(filters=expand//2, kernel_size=3, activation='relu', padding='same')(y)
    y3 = BatchNormalization(momentum=bnmomemtum)(y3)
    return concatenate([y1, y3])

def fire_module(squeeze, expand):
    return lambda x: fire(x, squeeze, expand)

x = Input(shape=[144, 144, 3])
y = BatchNormalization(center=True, scale=False)(x)
y = Activation('relu')(y)
y = Conv2D(kernel_size=5, filters=16, padding='same', use_bias=True, activation='relu')(x)
y = BatchNormalization(momentum=bnmomemtum)(y)

y = fire_module(16, 32)(y)
y = MaxPooling2D(pool_size=2)(y)

---

编辑：

更具体一点，为什么不这样做：

# why not this?
def fire(x, squeeze, expand):
    y  = Conv2D(filters=squeeze, kernel_size=1, activation='relu', padding='same')(x)
    y  = BatchNormalization(momentum=bnmomemtum)(y)
    y = Conv2D(filters=expand//2, kernel_size=1, activation='relu', padding='same')(y)
    y = BatchNormalization(momentum=bnmomemtum)(y)
    y = Conv2D(filters=expand//2, kernel_size=3, activation='relu', padding='same')(y)
    y = BatchNormalization(momentum=bnmomemtum)(y)
    return y

---

Answer 1

当他解释连接时，我从stack question 中引用了@parsethis，如果将 a 连接到 b（结果连接在一起），这就是它的作用：

    a        b         c
a b c   g h i    a b c g h i
d e f   j k l    d e f j k l

The documentation 表示它只是返回一个包含所有输入串联的张量，前提是它们共享一个维度（即相同的长度或宽度，取决于轴）

你的情况是这样的：

Y 
 \
  Y1----
   \    |
    Y3  Y1

希望我说的够清楚