我有两个遵循相同架构的CNN模型。我在cnn1上训练了’训练集1’，在cnn2上训练了’训练集2’。然后我使用以下代码提取了特征。
# cnn1
model.pop() #移除softmax层 model.pop() #移除dropout层 model.pop() #移除激活层 model.pop() #移除批量归一化层 model.build() #这里是密集512层 features1 = model.predict(train set 1) print(features1.shape) #600,512# cnn2
model.pop() #移除softmax层 model.pop() #移除dropout层 model.pop() #移除激活层 model.pop() #移除批量归一化层 model.build() #这里是密集512层 features2 = model.predict(train set 2) print(features2.shape) #600,512如何将这些特征1和特征2结合起来，使输出形状为600,1024？
回答：
最简单的解决方案：
你可以简单地以这种方式连接两个网络的输出：
features = np.concatenate([features1, features2], 1)替代方案：
对于两个具有相同结构的已训练模型，无论它们的结构如何，你可以以这种方式结合它们
# 生成虚拟数据n_sample = 600set1 = np.random.uniform(0,1, (n_sample,30))set2 = np.random.uniform(0,1, (n_sample,30))# 模型1inp1 = Input((30,))x1 = Dense(512,)(inp1)x1 = Dropout(0.3)(x1)x1 = BatchNormalization()(x1)out1 = Dense(3, activation='softmax')(x1)m1 = Model(inp1, out1)# m1.fit(...)# 模型2inp2 = Input((30,))x2 = Dense(512,)(inp2)x2 = Dropout(0.3)(x2)x2 = BatchNormalization()(x2)out2 = Dense(3, activation='softmax')(x2)m2 = Model(inp2, out2)# m2.fit(...)# 连接所需的输出concat = Concatenate()([m1.layers[1].output, m2.layers[1].output]) # 获取密集512层的输出merge = Model([m1.input, m2.input], concat)# 进行合并预测merge.predict([set1,set2]).shape # (n_sample, 1024)