模式在unet网络瓶颈功能中的作用

Question

我遇到了属于卡格尔的一个人的剧本。下面给出了这个片段。

 def bottleneck(x,filters_bottleneck,mode='cascade', depth=6,kernel_size=(3,3),activation='relu'):
   dilated_layers = []
   if mode == 'cascade':
      for i in range(depth):
        x = Conv2D(filters_bottleneck,kernel_size,activation=activation,padding='same',dilation_rate=2**i)(x)
        dilated_layers.append(x)
      return add(dilated_layers)
  elif mode == 'parallel':
     for i in range(depth):
       dilated_layers.append(Conv2D(filters_bottleneck,kernel_size,
                            activation=activation,padding='same',dilation_rate=2**i)(x))
       return add(dilated_layers)

为了理解bottleneck所做的功能，下面给出了一个图示说明。突出显示的部分是瓶颈。网络的这一部分是在收缩和扩展的路径之间。

函数bottleneck接受参数mode。我和参数mode混淆了。是深度学习词汇表中的参数mode，如果是的话，你能通过提供额外的资源来理解我吗？模式参数中的cascade也是如此。

Answer 1

这个mode参数仅仅是指瓶颈应该如何(以何种方式)，使用哪种类型的瓶颈。

没有什么好想象的。据我所知，在模式统计中至少有一种用法，作为描述某些发行版的一种方式，但这与此无关。

至于级联和并行的区别，前者层相互传递输入(如图中的那样)，而后者层在相同的输入上工作。

一般而言，级联是指按顺序(例如在级联分类器中)应用操作。并行意味着操作是独立执行的，理论上可以同时运行(考虑线程的并行操作)。在这里，这些层是并行的，因为它们都运行在相同的输入上，然后它们的输出由后续层收集。