我正在实现两个不同Keras层之间的自定义连接。神经网络的开始类似于以下内容：

model = tf.keras.Sequential()c1 = model.add(Conv2D(6, kernel_size=[5,5], strides=(stride,stride), padding="valid", input_shape=(32,32,1),                   activation = 'tanh'))s2 = model.add(AveragePooling2D(pool_size=2, strides=2, padding='valid'))

现在，s2的输出大小为14*14*6

在这里，我希望将我的自定义连接应用于卷积层c3，其输出大小为10*10*16（即，需要在大小为14*14*6的s2上应用16个滤波器，以获得10*10*16的输出）。为此，我需要使用kernal_size = 5*5，filers=16，stride = 1，和padding=valid。

然而，并非s2的所有6个特征图都连接到c3的16个特征图。连接的解释如此处所示。

例如（如上所述链接的解释），要构建C3的第一个特征图，你需要用5×5的滤波器卷积s2的3个输入图（大小为14*14*6），这将给你3个10×10的图，这些图相加后得到你的第一个特征图，大小为10×10。

我曾在某处读到，我们需要使用函数式API来构建这个连接。

但是，我不确定如何进一步进行。有人能帮助实现这个吗？

我实现这个的初步方法如下：

from keras.models import Modelfrom keras.layers import Conv2D, Input, Concatenate, Lambda, AddinputTensor = Input(shape=(14, 14,6))stride =1group0_a = Lambda(lambda x: x[:,:,0])(inputTensor)group0_b = Lambda(lambda x: x[:,:,1])(inputTensor)group0_c = Lambda(lambda x: x[:,:,2])(inputTensor) # 提取s2的0,1,2特征图conv_group0_a = Conv2D(1, kernel_size=[5,5], strides=(stride,stride), padding="valid", activation = 'tanh')(group0_a)conv_group0_b = Conv2D(1, kernel_size=[5,5], strides=(stride,stride), padding="valid", activation = 'tanh')(group0_b)conv_group0_c = Conv2D(1, kernel_size=[5,5], strides=(stride,stride), padding="valid", activation = 'tanh')(group0_c)  # 对s2的0, 1, 2特征图分别应用卷积，使用不同的核added_0 = Add()([conv_group0_a, conv_group0_b, conv_group0_c]) # 将三个卷积结果相加，得到10*10*16中的一个# 对c3的16个神经元重复此过程，最后output_layer = Concatenate()([]) # 将它们连接起来Mymodel = Model(inputTensor,output_layer)

我想知道我的方法是否正确（我知道它不是，因为我遇到了很多错误）。所以，我需要帮助重建如上所述的自定义连接。任何帮助都将不胜感激。

回答：

上面的代码是正确的，我唯一做的更改是group0_a = Lambda(lambda x: x[:,:,0:1])(inputTensor)，也就是说，我不是将x作为x[:,:,0]传递，而是作为x[:,:,0:1]传递