def MEAN_Spot(opt): inputs1 = layers.Input(shape=(42, 42, 1)) inputs2 = layers.Input(shape=(42, 42, 1)) inputs3 = layers.Input(shape=(42, 42, 1)) inputs = layers.Concatenate()([inputs1, inputs2, inputs3]) conv1 = layers.Conv2D(3, (7,7), padding='same', activation='relu', kernel_regularizer=l2(0.001))(inputs) ba1 = BasicBlock(3, 16)(conv1) ba2 = BasicBlock(16, 32, stride=2)(ba1) att = BasicBlock1(32, 64, stride=2)(ba2) # interpretation 1 merged_conv = layers.Conv2D(8, (5,5), padding='same', activation='relu', kernel_regularizer=l2(0.1))(att) merged_pool = layers.MaxPooling2D(pool_size=(2, 2), padding='same', strides=(2,2))(merged_conv) flat = layers.Flatten()(merged_pool) flat_do = layers.Dropout(0.2)(flat) # outputs outputs = layers.Dense(1, activation='linear', name='spot')(flat_do) #Takes input u, v, os model = keras.models.Model(inputs=[inputs1, inputs2, inputs3], outputs=[outputs]) model.compile( loss={'spot':'mse'}, optimizer=opt, metrics={'spot':tf.keras.metrics.MeanAbsoluteError()}, ) return model每条语句后的特征图尺寸与通道数

输入层1的特征图尺寸为42x42，通道数为1。
输入层2的特征图尺寸为42x42，通道数为1。
输入层3的特征图尺寸为42x42，通道数为1。
卷积层conv1的特征图尺寸为42x42，通道数为3。
BasicBlock1层ba1的特征图尺寸为42x42，通道数为16。
BasicBlock2层ba2的特征图尺寸为21x21，通道数为32。
BasicBlock3层att的特征图尺寸为11x11，通道数为64。
合并卷积层merged_conv的特征图尺寸为11x11，通道数为8。
池化层merged_pool的特征图尺寸为6x6，通道数为8。
全连接层outputs的特征图尺寸为1x1，通道数为1。