我正在尝试实现一个由两层组成的模型来分割keras中的候选对象 所以基本上这个模型有以下架构
图像（通道，宽度，高度） - ＆gt;多个卷积和汇集层 - ＆gt;输出（'n'要素图，高度宽度）
现在这两个图层正在使用 单输出 如下 1）卷积（1 * 1） - ＆gt;具有m个单位的密集层（输出= n * 1 * 1） - >使用h * w dimesion的完全连接层的像素分类器 - ＆gt;上映到（H，N） - ＆gt;输出
2）卷积 - ＆gt; maxpooling-＆gt;密集层 - ＆gt;得分
成本函数使用这两个层的输出，这是每个输出的二元逻辑回归的总和
现在我有两个问题 1）如何在层1中的卷积输出上实现密集连接以产生如上所述的h * w像素分类器 2）如何合并两个层来计算单个成本函数，然后使用反向传播联合训练两个层
任何人都可以告诉我如何为上述网络架构创建模型。我是深度学习的新手所以如果有什么我误解的话我会很感激，如果有人能解释我理解中的错误 感谢
答案 0 :(得分：0)
分享您已有的代码时，这会更容易。
对于过渡卷积为密集，您必须使用model.add(Flatten())，就像在examples here中一样。
不幸的是，我不知道第二个问题，但根据我刚刚在Keras模型中读到的内容，你必须使用图模型。