我有一个关于使用Keras的问题，我对它还比较新。我使用了一个卷积神经网络，将其结果馈送到一个标准的感知器层中，该层生成我的输出。这个CNN接收一系列图像作为输入。到目前为止，这一切都很正常。

现在我想将一个短的非图像输入向量直接传递到最后的感知器层，而不通过所有的CNN层。在Keras中如何实现这一点呢？

我的代码如下所示：

# 最后的CNN层在感知器层之前
model.add(Convolution2D(200, 2, 2, border_mode='same'))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))
model.add(Dropout(0.25))
# 感知器层
model.add(Flatten())
# 在这里我想直接将一个额外的向量添加到CNN的输入中
model.add(Dense(1500, W_regularizer=l2(1e-3)))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(1))

任何回答都将不胜感激，谢谢！

回答：

假设你的Keras后端是Theano，你可以执行以下操作：

import theano
import numpy as np
d = Dense(1500, W_regularizer=l2(1e-3), activation='relu') # 我将激活层和密集层合并了，基于假设你可能对激活后的值感兴趣
model.add(d)
model.add(Dropout(0.5))
model.add(Dense(1))
c = theano.function([d.get_input(train=False)], d.get_output(train=False))
layer_input_data = np.random.random((1,20000)).astype('float32') # 参考d.input_shape获取层输入的正确维度，在我的例子中是(None, 20000)
o = c(layer_input_data)