如何用新版Keras复现含不同滤波器尺寸卷积层的CNN架构？

嘿，这个问题我太熟了！旧Keras里的Merge层确实早就被移除并入TensorFlow Keras的核心层了，不过新版有更清晰、灵活的替代方案，完全能精准复现你要的论文CNN架构。咱分几种常见的Merge操作场景给你拆解：

1. 最常用：通道/维度拼接（对应旧Merge mode='concat'） #

旧代码大概长这样：

# 旧Keras写法
from keras.layers import Merge
merged = Merge([branch1, branch2], mode='concat', axis=-1)

新版TensorFlow Keras有两种等价写法，都是基于函数式API（现在多分支模型基本都用这个）：

写法一：使用Concatenate类层 #

import tensorflow as tf

# 先定义你的两个分支（示例）
input_layer = tf.keras.Input(shape=(28,28,3))
branch1 = tf.keras.layers.Conv2D(64, (3,3), activation='relu', padding='same')(input_layer)
branch2 = tf.keras.layers.Conv2D(64, (1,1), activation='relu', padding='same')(input_layer)

# 拼接操作
merged = tf.keras.layers.Concatenate(axis=-1)([branch1, branch2])

写法二：使用concatenate函数 #

# 同样先定义分支...
merged = tf.keras.layers.concatenate([branch1, branch2], axis=-1)

注：axis=-1代表按通道维度拼接，对应旧版Merge的默认行为，你可以根据论文需求调整axis值。

2. 特征相加/平均（对应旧Merge mode='sum'/'ave'） #

如果旧代码是特征相加：

# 旧写法
merged = Merge([branch1, branch2], mode='sum')

新版直接用Add层或add函数：

merged = tf.keras.layers.Add()([branch1, branch2])
# 或者用函数式写法
merged = tf.keras.layers.add([branch1, branch2])

如果是特征平均（mode='ave'），可以先相加再除以分支数量：

merged = tf.keras.layers.add([branch1, branch2])
merged = tf.keras.layers.Lambda(lambda x: x / 2)(merged)

3. 特征相乘（对应旧Merge mode='mul'） #

旧代码：

merged = Merge([branch1, branch2], mode='mul')

新版替换为Multiply层：

merged = tf.keras.layers.Multiply()([branch1, branch2])

4. 自定义加权融合（比如旧版的自定义mode） #

如果论文里有带权重的特征融合，比如给不同分支分配不同权重，新版可以用Lambda层配合Add实现：

# 给分支1分配权重0.6，分支2分配0.4
weighted_branch1 = tf.keras.layers.Lambda(lambda x: x * 0.6)(branch1)
weighted_branch2 = tf.keras.layers.Lambda(lambda x: x * 0.4)(branch2)
merged = tf.keras.layers.Add()([weighted_branch1, weighted_branch2])

完整示例：复现一个双分支CNN #

这里给你一个完整的小例子，模拟论文里常见的多分支CNN结构：

import tensorflow as tf

# 输入层
input_img = tf.keras.Input(shape=(128, 128, 3))

# 分支1：大卷积核提取全局特征
branch1 = tf.keras.layers.Conv2D(128, (7,7), activation='relu', padding='same')(input_img)
branch1 = tf.keras.layers.MaxPooling2D((2,2))(branch1)

# 分支2：小卷积核串联提取细节特征
branch2 = tf.keras.layers.Conv2D(64, (1,1), activation='relu', padding='same')(input_img)
branch2 = tf.keras.layers.Conv2D(128, (3,3), activation='relu', padding='same')(branch2)
branch2 = tf.keras.layers.MaxPooling2D((2,2))(branch2)

# 拼接两个分支的特征
merged_features = tf.keras.layers.Concatenate(axis=-1)([branch1, branch2])

# 后续的分类/回归头部
x = tf.keras.layers.Flatten()(merged_features)
x = tf.keras.layers.Dense(256, activation='relu')(x)
output = tf.keras.layers.Dense(10, activation='softmax')(x)

# 构建模型
model = tf.keras.Model(inputs=input_img, outputs=output)
model.summary()

核心思路就是：旧Merge层的各种mode，都能找到TensorFlow Keras里对应的专属层/函数，用函数式API把分支连接起来就行，比旧写法更直观也更易维护。

内容的提问来源于stack exchange，提问作者Software Dev