ShuffleNet中add层和concatenate层的区别
最近学习轻量级网络：ShuffleNet V1，看论文过程中对其模型中add和concat层不理解，查看一番资料后，总结如下：
主流轻量级CNN网络
- ShuffleNet V1 和ShuffleNet V2；
- MobileNet V1 和 MobileNet V1；
- Xception
- SqueezeNet
这几个模型是16年来比较流行的网络，值得去学习其论文，跑代码。
参考链接： https://blog.csdn.net/u014451076/article/details/80162924
add层和concat层的区别
通俗讲： add层就是输出结果累加，其维度不变，但信息量增加了；concat层就是把数据结果级联，增加了维度，信息量不同。
举一个例子：
add：
a = [[1,2], [3, 4]]
b = [[11,12], [13, 14]]
c = add(a, b) # c = [[12,14], [16, 18]] 这里add表示add层操作，把输出结果值相加了
concat：
a = [[1,2], [3, 4]]
b = [[11,12], [13, 14]]
c = concat(a, b) # c = [[1,2], [3, 4], [11,12], [13, 14]] 这里concat表示concat层操作，把输出结果级联，增加了维度
DenseNet和Inception中更多采用的是concatenate操作，而ResNet更多采用的add操作，Resnet是做值的叠加，通道数是不变的，DenseNet是做通道的合并。你可以这么理解，add是描述图像的特征下的信息量增多了，但是描述图像的维度本身并没有增加，只是每一维下的信息量在增加，这显然是对最终的图像的分类是有益的。而concatenate是通道数的合并，也就是说描述图像本身的特征增加了，而每一特征下的信息是没有增加。
在代码层面就是ResNet使用的都是add操作，而DenseNet使用的是concatenate。
这些对我们设计网络结构其实有很大的启发。
通过看keras的源码，发现add操作，
def _merge_function(self, inputs):
output = inputs[0]
for i in range(1, len(inputs)):
output += inputs[i]
return output
执行的就是加和操作，举个例子
import keras
input1 = keras.layers.Input(shape=(16,))
x1 = keras.layers.Dense(8, activation='relu')(input1)
input2 = keras.layers.Input(shape=(32,))
x2 = keras.layers.Dense(8, activation='relu')(input2)
added = keras.layers.add([x1, x2])
out = keras.layers.Dense(4)(added)
model = keras.models.Model(inputs=[input1, input2], outputs=out)
model.summary()
打印出来模型结构就是：
Layer (type) Output Shape Param Connected to
================================================================================
input_1 (InputLayer) (None, 16) 0
input_2 (InputLayer) (None, 32) 0
dense_1 (Dense) (None, 8) 136 input_1[0][0]
dense_2 (Dense) (None, 8) 264 input_2[0][0]
add_1 (Add) (None, 8) 0 dense_1[0][0]
dense_2[0][0]
dense_3 (Dense) (None, 4) 36 add_1[0][0]
=================================================================================
Total params: 436
Trainable params: 436
Non-trainable params: 0
这个比较好理解，add层就是接在dense_1,dense_2后面的是一个连接操作，并没有训练参数。
相对来说，concatenate操作比较难理解一点。
if py_all([is_sparse(x) for x in tensors]):
return tf.sparse_concat(axis, tensors)
else:
return tf.concat([to_dense(x) for x in tensors], axis)
通过keras源码发现，一个返回sparse_concate，一个返回concate，这个就比较明朗了，
concate操作，举个例子
t1 = [[1, 2, 3], [4, 5, 6]]
t2 = [[7, 8, 9], [10, 11, 12]]
tf.concat([t1, t2], 0) ==> [[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]
tf.concat([t1, t2], 1) ==> [[1, 2, 3, 7, 8, 9], [4, 5, 6, 10, 11, 12]]
tensor t3 with shape [2, 3]
tensor t4 with shape [2, 3]
tf.shape(tf.concat([t3, t4], 0)) ==> [4, 3]
tf.shape(tf.concat([t3, t4], 1)) ==> [2, 6]
事实上，是关于维度的一个联合，axis=0表示列维，1表示行维，沿着通道维度连接两个张量。另一个sparse_concate则是关于稀疏矩阵的级联，也比较好理解。