如何合并具有相同输入的keras顺序模型？

Question

我正在尝试在keras中创建我的第一个合奏模型。我的数据集中有3个输入值和一个输出值。

from keras.optimizers import SGD,Adam
from keras.layers import Dense,Merge
from keras.models import Sequential

model1 = Sequential()
model1.add(Dense(3, input_dim=3, activation='relu'))
model1.add(Dense(2, activation='relu'))
model1.add(Dense(2, activation='tanh'))
model1.compile(loss='mse', optimizer='Adam', metrics=['accuracy'])

model2 = Sequential()
model2.add(Dense(3, input_dim=3, activation='linear'))
model2.add(Dense(4, activation='tanh'))
model2.add(Dense(3, activation='tanh'))
model2.compile(loss='mse', optimizer='SGD', metrics=['accuracy'])

model3 = Sequential()
model3.add(Merge([model1, model2], mode = 'concat'))
model3.add(Dense(1, activation='sigmoid'))
model3.compile(loss='binary_crossentropy', optimizer='Adam', metrics=['accuracy'])

model3.input_shape

整体模型（model3）编译时没有任何错误，但是在拟合模型时，我必须两次传递相同的输入model3.fit([X,X],y)。我认为这是不必要的步骤，我不想为输入模型传递两次输入，而是希望有一个公共输入节点。我该怎么做？

Answer 1

Keras 功能API似乎更适合您的用例，因为它在计算图中提供了更大的灵活性。例如：

from keras.layers import concatenate
from keras.models import Model
from keras.layers import Input, Merge
from keras.layers.core import Dense
from keras.layers.merge import concatenate

# a single input layer
inputs = Input(shape=(3,))

# model 1
x1 = Dense(3, activation='relu')(inputs)
x1 = Dense(2, activation='relu')(x1)
x1 = Dense(2, activation='tanh')(x1)

# model 2 
x2 = Dense(3, activation='linear')(inputs)
x2 = Dense(4, activation='tanh')(x2)
x2 = Dense(3, activation='tanh')(x2)

# merging models
x3 = concatenate([x1, x2])

# output layer
predictions = Dense(1, activation='sigmoid')(x3)

# generate a model from the layers above
model = Model(inputs=inputs, outputs=predictions)
model.compile(optimizer='adam',
              loss='binary_crossentropy',
              metrics=['accuracy'])

# Always a good idea to verify it looks as you expect it to 
# model.summary()

data = [[1,2,3], [1,1,3], [7,8,9], [5,8,10]]
labels = [0,0,1,1]

# The resulting model can be fit with a single input:
model.fit(data, labels, epochs=50)

笔记：

• 在Keras版本之间（版本2之前和之后），API可能会有细微差异。
• 上面的示例为每个模型指定了不同的优化器和损失函数。但是，由于fit（）仅被调用一次（在model3上），因此与model3相同的设置将应用于整个模型。为了在训练子模型时具有不同的设置，必须将它们分别设置为fit（）-参见@Daniel的评论。

编辑：基于注释的更新笔记

Answer 2

etov的答案是一个不错的选择。

但是，假设你已经有了model1和model2准备好，你不想改变他们，你可以创建一个这样的第三种模式：

singleInput = Input((3,))

out1 = model1(singleInput)   
out2 = model2(singleInput)
#....
#outN = modelN(singleInput)

out = Concatenate()([out1,out2]) #[out1,out2,...,outN]
out = Dense(1, activation='sigmoid')(out)

model3 = Model(singleInput,out)

并且，如果您已经准备好所有模型并且不想更改它们，则可以进行以下操作（未测试）：

singleInput = Input((3,))
output = model3([singleInput,singleInput])
singleModel = Model(singleInput,output)