我正在尝试在Keras中实现共享层。我注意到Keras有keras.layers.concatenate，但从文档中我对它的使用还不太确定。我可以用它来创建多个共享层吗？使用Keras实现如图所示的简单共享神经网络的最佳方法是什么？ 
编辑1：请注意，所有三个神经网络的输入、输出和共享层的形状都是相同的。这三个神经网络中有多个共享层（和非共享层）。彩色层是每个神经网络独有的，且形状相同。
基本上，该图表示了三个具有多个共享隐藏层的相同神经网络，其后是多个非共享的隐藏层。
我不确定如何像Twitter示例中那样共享多个层，因为API文档中的示例只有一个共享层。
编辑2：根据geompalik的有用评论，这是我最初想出的方案：
sharedLSTM1 = LSTM((data.shape[1]), return_sequences=True)sharedLSTM2 = LSTM(data.shape[1])def createModel(dropoutRate=0.0, numNeurons=40, optimizer='adam'): inputLayer = Input(shape=(timesteps, data.shape[1])) sharedLSTM1Instance = sharedLSTM1(inputLayer) sharedLSTM2Instance = sharedLSTM2(sharedLSTM1Instance) dropoutLayer = Dropout(dropoutRate)(sharedLSTM2Instance) denseLayer1 = Dense(numNeurons)(dropoutLayer) denseLayer2 = Dense(numNeurons)(denseLayer1) outputLayer = Dense(1, activation='sigmoid')(denseLayer2) return (inputLayer, outputLayer)inputLayer1, outputLayer1 = createModel()inputLayer2, outputLayer2 = createModel()model = Model(inputs=[inputLayer1, inputLayer2], outputs=[outputLayer1, outputLayer2])model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])在上面的代码中，我期望两个模型中的LSTM层是共享的，而dropout和两个dense层不是共享的。这是正确的吗？
如果是这样的话，在这个例子中我不需要keras.layers.concatenate，对吗？
如果我尝试使用plot_model来可视化网络，我会得到以下图像（这正是我所期望的）：
回答：
使用Keras的函数式API实现所示的架构非常简单。有关更多信息，请查看此页面。
在你的情况下，输入层和第一个隐藏层是共享的，然后每个主题有一个层。现在设计你的模型取决于你的数据看起来如何：例如，如果对于给定的输入，你对每个主题有不同的输出，你应该定义一个模型，如下所示：
model = Model(inputs=[you_main_input], outputs=[subject1_output, subject2_output, subject3_output])如果不是这种情况，并且你有对应于每个主题的训练数据，你可以定义三个神经网络，并在它们之间共享前两层。请查看上述引用的文档中的“共享层”部分。
