我想知道是否可以向卷积神经网络的全连接层添加一个变量（除了来自前一卷积层的连接外，还可以使用一个额外的特征集来进行区分）。如果这是可能的，能否有人指出一个示例或文档说明如何操作？
我希望使用Keras，但如果Keras过于限制，我也愿意使用TensorFlow。
编辑：在这种情况下，我认为这应该如何工作的是，我向神经网络提供一个包含图像和相关特征集的列表（以及在训练期间的相关分类）。
编辑2：我想要的架构看起来像这样：
___________ _________ _________ _________ ________ ______ | Conv | | Max | | Conv | | Max | | | | | Image --> | Layer 1 | --> | Pool 1 | --> | Layer 2 | --> | Pool 2 | -->| | | | |_________| |________| |_________| |________| | Dense | | Out | | Layer |-->|_____| Other ------------------------------------------------------------>| | Data | | |_______|回答：
确实，正如@Marcin所说，你可以使用合并层。
我建议你使用函数式API来实现这一点。如果你不熟悉它，可以在这里阅读一些文档。
这是使用keras API绘制的网络模型：
from keras.layers.core import *from keras.models import Model# 这是你的图像输入定义。你需要指定一个形状。 image_input = Input(shape=(32,32,3))# 一些更多的数据输入，具有10个特征（例如）other_data_input = Input(shape=(10,)) # 第一层卷积，用随机参数填充，仅作为示例conv1 = Convolution2D(nb_filter = nb_filter1, nb_row = nb_row1, nb_col=_nb_col1, padding = "same", activation = "tanh")(image_input)# 对其进行最大池化 conv1 = MaxPooling2D(pool_size=(pool_1,pool_2))(conv1)# 第二层卷积conv2 = Convolution2D(nb_filter = nb_filter2, nb_row = nb_row2, nb_col=_nb_col2, padding = "same", activation = "tanh")(conv1)# 对其进行最大池化conv2 = MaxPooling2D(pool_size=(pool_1,pool_2))(conv2)# 展平输出，以便与其他输入合并first_part_output = Flatten()(conv2)# 通过连接将卷积网络的输出与添加的特征合并merged_model = keras.layers.concatenate([first_part_output, other_data_input])# 对输出进行预测（假设你想要二元分类）predictions = Dense(1, activation ='sigmoid')(merged_model)# 现在创建模型model = Model(inputs=[image_input, other_data_input], outputs=predictions)# 查看你的模型 model.summary()# 编译模型model.compile(optimizer='adamax', loss='binary_crossentropy')就这样 🙂 最后，这相当简单，定义你想要的输入和输出的数量，只需在创建Model对象时以列表形式指定它们。当你进行拟合时，也要分别提供它们，以列表形式输入。
