我有两个不同的模型，假设是NM1和NM2。

所以，我想要的是类似于下面的例子那样工作的东西。

假设我们有一张狗的图片。

NM1预测图片上是一只猫，概率为0.52，而预测是一只狗的概率为0.48。NM2预测是一只狗的概率为0.6，而预测是一只猫的概率为0.4。

NM1 – 将会预测错误 NM2 – 将会预测正确

NM1 + NM2 – 连接后将会预测正确（因为0.48 + 0.6 > 0.52 + 0.4）

因此，每个模型最后都使用InnerProducts（在Softmax之后），这给我提供了两个概率向量。

下一步，我有这两个向量，我想把它们加起来。这里我使用了Eltwise层。

layer {  name: "eltwise-sum"  type: "Eltwise"  bottom: "fc8"  bottom: "fc8N"  top: "out"  eltwise_param { operation: SUM }}

在合并之前，NM1的准确率约为70%，NM2约为10%。

合并后，准确率甚至达不到1%。

因此，我的结论是我理解上有些错误，如果有人能向我解释我错在哪里，我将不胜感激。

附注：我在创建lmdb时关闭了shuffle功能。

更新

layer {  name: "eltwise-sum"  type: "Eltwise"  bottom: "fc8L"  bottom: "fc8NL"  top: "out"  eltwise_param {   operation: SUM   coeff: 0.5  coeff: 0.5  }}#accur for PI alonelayer {  name: "accuracyPINorm"  type: "Accuracy"  bottom: "fc8L"  bottom: "label"  top: "accuracyPiNorm"  include {    phase: TEST  }}#accur for norm images alonelayer {  name: "accuracyIMGNorm"  type: "Accuracy"  bottom: "fc8NL"  bottom: "labelN"  top: "accuracyIMGNorm"  include {    phase: TEST  }}#accur for them togetherlayer {  name: "accuracy"  type: "Accuracy"  bottom: "out"  bottom: "label"  top: "accuracy"  include {    phase: TEST  }}

回答：

如果你想对概率进行元素-wise的加法，你需要在"Softmax"层之后进行加法，而不是在"InnerProduct"层之后。你应该有类似下面的配置：

layer {  type: "InnerProduct"  name: "fc8"  top: "fc8"  # ... }layer {  type: "Softmax"  name: "prob_nm1"  top: "prob_nm1"  bottom: "fc8"}layer {  type: "InnerProduct"  name: "fc8N"  top: "fc8N"  # ... }layer {  type: "Softmax"  name: "prob_nm2"  top: "prob_nm2"  bottom: "fc8N"}# 合并概率layer {  type: "Eltwise"  name: "prob_sum"  bottom: "prob_nm1"  bottom: "prob_nm2"  top: "prob_sum"  eltwise_param {    operation: SUM    coeff: 0.5    coeff: 0.5  }}