特征图拼接、相加和相乘

  特征图拼接、相加和相乘是在神经网络中进行特征融合的不同方式，它们各自有不同的优缺点，适用于不同的场景。下面我会分别解释它们的数学原理和代码示例，并讨论它们的优缺点和适用场景。
特征图拼接（Concatenation）：
  特征图拼接是将多个特征图在通道维度上进行堆叠，以增加特征图的深度。这种方式可以让网络学习不同空间位置的特征，并将它们在同一层级上进行融合。
  数学原理：
  假设我们有两个特征图A和B，它们的尺寸为[H, W, C1]和[H, W, C2]，其中C1和C2分别是通道数。特征图拼接后的尺寸为[H, W, C1 + C2]。
  代码示例：

import torch

feature_map_a = torch.randn(1, 64, 16, 16)
feature_map_b = torch.randn