Question

我正在尝试构建图中“ https://github.com/Blaizzy/BiSeNet-Implementation”所示的BiseNet。

当我想在Keras（tf-后端）中使用GlobalAveragePooling2D（）完成图（b）中的注意力细化模块时，我发现GlobalAveragePooling2D（）的输出形状不适用于下一个卷积。 / p>

我在github上检查了BiSeNet代码的许多实现，但是，大多数都使用了AveragePooling2D（size =（1,1））。但是AveragePooling2D（size =（1,1））完全是胡说八道。

因此，我定义了一个Lambada图层来执行我想要的操作（所选代码如下所示）。 Lambada层有效，但看起来很丑：

def samesize_globalAveragePooling2D(inputtensor):
    # inputtensor shape:(?, 28,28,32)
    x = GlobalAveragePooling2D()(inputtensor) # x shape:(?, 32)
    divide = tf.divide(inputtensor, inputtensor)  # divide shape:(?, 28,28,32)
    x2 = x * divide  # x2 shape:(?, 28,28,32)



global_pool = Lambda(function=samesize_globalAveragePooling2D)(conv_0)

希望得到建议，使这款Lambada更加优雅。

谢谢！

Answer 1

这可以通过在tf.reduce_mean上使用lambda层来完成。

tf.keras.layers.Lambda(lambda x: tf.reduce_mean(x, axis=[1, 2], keep_dims=True))

如何扩展GlobalAveragePooling2D（）的输出以适合BiSeNet？

1 个答案: