如何替换自定义层实现MaxPooling1D所需的张量维度转换及拼接？

方案一：用内置Reshape层实现维度转换 #

直接用TensorFlow内置的Reshape层完成2D和3D张量的互转，完全替代自定义层，代码清晰易维护：

import tensorflow as tf

# 假设a、b是前置网络输出的4D特征张量（shape为 (batch_size, height, width, channels)）
a = tf.keras.layers.GlobalAveragePooling2D()(a)
b = tf.keras.layers.GlobalAveragePooling2D()(b)

# 把2D的b转为3D（shape从 (batch, channels) 变成 (batch, channels, 1)），适配MaxPooling1D输入格式
b = tf.keras.layers.Reshape((-1, 1))(b)
# 执行1D最大池化
b = tf.keras.layers.MaxPooling1D(pool_size=2, strides=2, padding='valid')(b)
# 把3D的b转回2D（shape从 (batch, channels//2, 1) 变成 (batch, channels//2)）
b = tf.keras.layers.Reshape((-1,))(b)

# 拼接a和b
AB = tf.keras.layers.Concatenate()([a, b])

这里Reshape((-1, 1))会自动根据输入的通道数计算维度，不需要手动指定数值；池化后再用Reshape((-1,))压平多余维度，就能和2D的a直接拼接。

方案二：用Lambda层合并操作 #

如果想减少层的数量，也可以用Lambda层把“添维-池化-删维”三步合并成一步，代码更紧凑：

import tensorflow as tf

a = tf.keras.layers.GlobalAveragePooling2D()(a)
b = tf.keras.layers.GlobalAveragePooling2D()(b)

# 用Lambda层一次性完成维度转换、池化、维度还原
b = tf.keras.layers.Lambda(
    lambda x: tf.squeeze(
        tf.keras.layers.MaxPooling1D(pool_size=2, strides=2, padding='valid')(tf.expand_dims(x, axis=-1)),
        axis=-1
    )
)(b)

AB = tf.keras.layers.Concatenate()([a, b])

tf.expand_dims(x, axis=-1)给2D张量加最后一个维度变成3D，池化后用tf.squeeze(axis=-1)删掉这个多余维度，直接得到可拼接的2D张量。

这两种方案都用TensorFlow原生层实现，比自定义层更简洁高效，不需要额外编写层的逻辑，运行效率也和内置层一致。

内容的提问来源于stack exchange，提问作者Pepeeeee