根据https://keras.io/models/model/，在多输入或多输出模型的情况下，可以使用
model = Model(inputs=a1, outputs=[b1, b2])如果b1和b2实际上是相同的目标值呢？即在几个初始层之后，模型有两个独立的“分支”，每个分支应该给出相同的值。下面是一个非常简化的例子
a = Input(shape=(32,))b1 = Dense(32)(a)b2 = Dense(32)(a)model = Model(inputs=a, outputs=[b1,b2])除了复制目标值之外，有没有更好的方法来进行训练？
model.fit(x_train, [y_train, y_train])此外，如果在训练过程中（仅此期间）需要真实标签（y_train），可以这样使用它们
model.fit([x_train,y_train], [y_train, y_train])有没有更好的解决方案？另外，如何处理预测？
model.predict([x_test, y_test_fake_labels])回答：
首先，对于预测函数：model.predict(X) 将返回一个numpy数组列表。在你的情况下，我认为你有点混淆了tensorflow的session.run()和keras。对于单输入和多输出，使用model.fit(X,[y1,y2])。
我假设你使用的是Keras的tensorflow后端。在我看来，Keras无疑拥有最好的API和语法。与tf.learn、slim等相比，它直观且易于学习。尽管它在后台运行tensorflow，但与使用纯tensorflow运行图形相比，它的速度非常慢。因此，我有时使用的一个小技巧是使用keras定义模型架构，然后使用keras.backend.get_session().graph从keras中获取纯tensorflow图形，并使用slim或tf.learn来训练/推断你的模型。这样，你就可以利用两个世界的优势。从语法上讲，这为训练/推断你的模型打开了许多途径。
