在Keras中反转keras.layers.Add()层的实现方法咨询

你要做的其实是加法操作的逆过程——从两个Conv2D输出的和，还原出其中一个原始的Conv2D输出（前提是你已知另一个输入）。Keras里没有直接对应Add()的“逆层”，但我们可以用减法来模拟这个操作，下面分两种常见场景给出实现方案：

场景1：推理阶段还原单个输入 #

如果你已经有了相加后的张量sum_output，以及其中一个Conv2D的输出张量known_conv_output，那么另一个Conv2D的输出可以直接通过减法得到：

from keras.layers import Lambda
import tensorflow as tf

# sum_output是Add层的输出，known_conv_output是已知的其中一个Conv2D输出
unknown_conv_output = Lambda(lambda x: x[0] - x[1])([sum_output, known_conv_output])

或者用Keras内置的Subtract()层更简洁（注意输入顺序：第一个输入减第二个输入）：

from keras.layers import Subtract

unknown_conv_output = Subtract()([sum_output, known_conv_output])

场景2：构建包含逆操作的完整模型 #

如果要把逆操作整合到模型结构中（比如构建和原模型反向的流程），可以参考下面的示例：
假设原模型是这样的：

from keras.layers import Input, Conv2D, Add
from keras.models import Model

# 原模型：两个Conv2D输出相加
input_a = Input(shape=(28,28,1))
input_b = Input(shape=(28,28,1))

conv_a = Conv2D(32, (3,3), activation='relu')(input_a)
conv_b = Conv2D(32, (3,3), activation='relu')(input_b)

sum_layer = Add()([conv_a, conv_b])
original_model = Model(inputs=[input_a, input_b], outputs=sum_layer)

现在要构建逆模型：已知sum_layer的输出和conv_a的输出，还原conv_b的输出（或者反过来），代码如下：

# 逆模型：从和与其中一个Conv输出，还原另一个Conv输出
input_sum = Input(shape=conv_a.shape[1:])
input_known_conv = Input(shape=conv_a.shape[1:])

unknown_conv = Subtract()([input_sum, input_known_conv])
inverse_model = Model(inputs=[input_sum, input_known_conv], outputs=unknown_conv)

关键注意点 #

• 确保两个输入张量的形状完全一致，这是减法操作的前提（和Add层的要求完全相同）；
• 如果你在训练阶段使用这个逆操作，不用担心梯度问题——减法操作是可导的，不会影响模型的梯度传播；
• 因为你的后端是TensorFlow，在Lambda层里直接使用tf.subtract()替代原生减法，效果也是完全一致的。

内容的提问来源于stack exchange，提问作者geek