使用Keras 2.2.4版本

我有三个数据特征（feature1, feature2, feature3），它们对应一组用户以及他们对某些项目的排名。目前，我已经分别使用以下模型架构对它们进行了建模：

input_vecs = add([feature1_vec, user_vec])nn = Dropout(0.5)(Dense(128, activation='relu')(input_vecs))nn = BatchNormalization()(nn)nn = Dropout(0.5)(Dense(128, activation='relu')(nn))nn = BatchNormalization()(nn)nn = Dense(128, activation='relu')(nn)feature1result = Dense(9, activation='softmax')(nn)feature1model = Model([feature1_input, user_input], feature1result)featuremodel.compile('adam', 'categorical_crossentropy')

每个模型的架构相似（每个都单独调优），且输出风格/形状相同。我希望将这三个模型的初步结果放入一个新层中，然后创建最终结果。

我想我可以分别运行这三个模型，取它们的输出，然后将该输出放入一个全新的（可能是Sequential）模型中，使用如下结构：

model1 = load_model("feature1.h5")model2 = load_model("feature2.h5")model3 = load_model("feature3.h5")merged_model = Sequential()merged_model.add(merge([model1.layers[-1].output,model2.layers[-1].output,model3.layers[-1].output]))merged_model.add(Dense(units = 9, activation='relu')) #或其他单位数merged_model.add(Dense(units = 12, activation='relu'))#或其他单位数merged_model.add(Dense(9, activation='softmax'))

然而，我希望在合并它们之前进行操作，因为这样可以更方便地管理模型（即，只需更新一个大型模型，而不是更新四个小型模型）。

在执行compile()和fit()步骤之前，如何实现这一点？

回答：

你需要使用函数式API来使用合并层。我希望这能给你一些思路：

input = Input( ... ) model1 = load_model("feature1.h5")model2 = load_model("feature2.h5")model3 = load_model("feature3.h5")m1 = model1(input)m2 = model2(input)m3 = model3(input)merged_model = merge([m1,m2,m3]) ...