我这里有一个卷积神经网络，它接受一张96x96x3的图片并输出一个1×128的编码。（未定义的函数只是层的一系列）
我该如何修改架构以接受一个3x96x96x3的输入并产生一个3×128的输出（使用相同的参数前向传播3次）？
def faceRecoModel(input_shape): """ 实现用于FaceNet的Inception模型
参数:
input_shape -- 数据集图像的形状
返回:
model -- Keras中的一个Model()实例
""" # 将输入定义为形状为input_shape的张量
X_input = Input(input_shape) # 零填充
X = ZeroPadding2D((3, 3))(X_input) # 第一块
X = Conv2D(64, (7, 7), strides=(2, 2), name='conv1')(X) X = BatchNormalization(axis=1, name='bn1')(X) X = Activation('relu')(X) # 零填充 + 最大池化
X = ZeroPadding2D((1, 1))(X) X = MaxPooling2D((3, 3), strides=2)(X) # 第二块
X = Conv2D(64, (1, 1), strides=(1, 1), name='conv2')(X) X = BatchNormalization(axis=1, epsilon=0.00001, name='bn2')(X) X = Activation('relu')(X) # 零填充 + 最大池化
X = ZeroPadding2D((1, 1))(X) # 第二块
X = Conv2D(192, (3, 3), strides=(1, 1), name='conv3')(X) X = BatchNormalization(axis=1, epsilon=0.00001, name='bn3')(X) X = Activation('relu')(X) # 零填充 + 最大池化
X = ZeroPadding2D((1, 1))(X) X = MaxPooling2D(pool_size=3, strides=2)(X) # Inception 1: a/b/c
X = inception_block_1a(X) X = inception_block_1b(X) X = inception_block_1c(X) # Inception 2: a/b
X = inception_block_2a(X) X = inception_block_2b(X) # Inception 3: a/b
X = inception_block_3a(X) X = inception_block_3b(X) # 顶层
X = AveragePooling2D(pool_size=(3, 3), strides=(1, 1), data_format='channels_first')(X) X = Flatten()(X) X = Dense(128, name='dense_layer')(X) # L2 归一化
X = Lambda(lambda x: K.l2_normalize(x, axis=1))(X) # 创建模型实例
model = Model(inputs=X_input, outputs=X, name='FaceRecoModel') return model回答：
如果你想接受形状为(batch_size, 3, 96, 96, 3)的输入，即将3张图片作为一个输入样本处理，那么你需要创建一个新的模型，该模型使用你的训练模型并独立地应用于这3张图片。你可以使用Keras中的TimeDistributed包装器轻松实现这一点：
from keras.layers import TimeDistributedinp = Input(shape=(3, 96, 96, 3))out = TimeDistributed(the_trained_face_rec_model)(inp)model = Model(inp, out)这个新模型的输出形状为(batch_size, 3, 128)。无需编译或训练这个新模型，因为它只是对你之前训练的模型的一个包装。因此，你可以使用：predictions = model.predict(my_images)。
